Question

请看下面的代码来解决同一组问题，我不认为提到这个问题无论如何都会有帮助的目的，这是Josephus problem的又一次迭代：

解决方案1：

import sys
from math import log

cases= int(sys.stdin.readline())
current= 0
while current < cases:
    current += 1
    n = int(sys.stdin.readline())
    print 2*(n - 2**(int(log(n,2))))+1

此解决方案在累计1.0912秒内解决了给定的10个测试用例，并消耗了4360KiB的内存。

解决方案2：

def josephus_2( n ):
    from math import log
    return 2*(n - 2**(int(log(n,2))))+1

import sys
cases= int(sys.stdin.readline())
current= 0
while current < cases:
    current += 1
    n = int(sys.stdin.readline())
    print josephus_2( n )

该解决方案在总共1.0497秒和640KiB内存中解决了相同的10个测试用例。

作为一个Python n00b我很想知道，虽然根据在线评判，我获得了相同的积分，但是什么使得解决方案2比1更快，内存效率更高？我知道时差可能听起来很少，但同时我在最快的解决方案上排名第一，甚至比c / c ++ / perl提交更快

Can this Screenshot help?

Answer 1

在我过去的经历中，我记得我发现在某个时候将计算部件放在一个函数（方法）中可能会提高性能：
我刚刚使用以下简单代码重新体验过：

n = 1000000
def compute(n):
    j = 0
    for i in xrange(n):
        j += 1

tic()
compute(n)
toc()

>>> 0.271 s

tic()
j = 0
for i in xrange(n):
    j += 1
toc()

>>> 0.849 s

结果显示第一个（使用计算）为0.271，而内联代码为0.849。这是显着的改进而不改变主计算部分中的任何内容！所以重点是使用一种方法可以提高性能。

以下是您可用于性能比较的代码：

from __future__ import division
from time import clock

def compute(n):
    j = 0
    for i in xrange(n):
        j += 1

n = 1000000
print 'solution (2) using a method call...'
t0 = clock()
compute(n)
print clock()-t0
#>>> ~0.2415...                              #faster (solution 2)

print 'solution (1) all inline code...'
t0 = clock()
j = 0
for i in xrange(n):
    j += 1
print clock()-t0
#>>> ~0.6169...                              #slower (solution 1)

为什么这些Python代码的表现如此不同

1 个答案: