Python中斐波那契数列的四种写法
在这些时候,我可以附和着笑,项目经理是决不责备的。而且项目经理见了孔乙己,也每每这样问他,引人发笑。孔乙己自己知道不能和他们谈天,便只好向新人说话。有一回对我说道,“你学过数据结构吗?”我略略点一点头。他说,“学过数据结构,……我便考你一考。
斐波那契数列用Python怎样写的?”我想,讨饭一样的人,也配考我么?便回过脸去,不再理会。孔乙己等了许久,很恳切的说道,“不能写罢?……我教给你,记着!这些字应该记着。将来做项目经理的时候,写账要用。”我暗想我和项目经理的等级还很远呢,而且我们项目里也用不到斐波那契数列;又好笑,又不耐烦,懒懒的答他道,“谁要你教,不是f(n)
= f(n-1)+f(n-2)吗?”孔乙己显出极高兴的样子,将两个指头的长指甲敲着办公桌,点头说,“对呀对呀!……斐波那契数列在python中有四种写法,你知道么?”我愈不耐烦了,努着嘴走远。孔乙己刚拿出笔记本电脑,想要写几段程序,见我毫不热心,便又叹一口气,显出极惋惜的样子。
斐波那契数列的定义
f(0) = 1,f(1) = 1,f(n) = f(n-1) + f(n-2)
CODE
本次介绍Python中斐波那契数列的四种写法,第一种写法比较常见,第二种写法也比较常见.(鲁迅听了想打人).咳咳.第一种依赖于递归,第二种依赖与循环,前两种算法都是可以在几乎所有编程语言里面都能都快速移植的.我们先从这两种介绍
第一种:递归
'''
遇到问题没人解答?小编创建了一个Python学习交流QQ群:857662006
寻找有志同道合的小伙伴,互帮互助,群里还有不错的视频学习教程和PDF电子书!
'''
# 递归
def Fibonacci_Recursion_tool(n):
if n <= 0:
return 0
elif n == 1:
return 1
else:
return Fibonacci_Recursion_tool(n - 1) + Fibonacci_Recursion_tool(n - 2)
def Fibonacci_Recursion(n):
result_list = []
for i in range(1, n + 1): result_list.append(Fibonacci_Recursion_tool(i))
return result_list
性能比较
这里我们使用time函数进行计时.并使用numpy类库保存到文件中
def Test_Fibonacci(n, list):
t1 = time.clock()
Fibonacci_Recursion(n)
t2 = time.clock()
l1 = t2 - t1
t1 = time.clock()
Fibonacci_Loop(n)
t2 = time.clock()
l2 = t2 - t1
t1 = time.clock()
Fibonacci_Yield(n)
t2 = time.clock()
l3 = t2 - t1
t1 = time.clock()
Fibonacci_Matrix(n)
t2 = time.clock()
l4 = t2 - t1
list.append([l1,l2, l3, l4])
print("第%d次的测试结果为:" % n, [l1,l2, l3, l4])
def Test_Save(times_items, filename):
times_list = []
for i in range(1, times_items + 1): Test_Fibonacci(i, times_list)
np.savetxt(filename, times_list)
def Test_Print(Test_Print_n):
print(Fibonacci_Recursion(Test_Print_n))
print(Fibonacci_Loop(Test_Print_n))
print(Fibonacci_Yield(Test_Print_n))
print(Fibonacci_Matrix(Test_Print_n))
times_items = 40
filename = "/home/fonttian/Data/17_DS_AI/Fibonacci/Fibonacci_all.txt"
# Test_Save(times_items,filename)
从效果来看第一种效果最差在35以上的运算次数时,耗时就会达到1s,而其他的计算速度则仍然在十的负五次方到负六次方之间,当次数大于1000时,loop的速度开始明显不足.
而在pow(10000,10000)时,矩阵与yield的计算速度则为
0.27840600000000004
1.6000000000016e-05
看来还是yield性能好一些,但是实际上并不是,因为yield和np.Matrix实际上的运算机制导致,其实在大数量级运算时,各存在一个问题,yield实际上是没有运算?np.Matrix 则出现了内存溢出(导致的数值错误)
不过整体而言,最好的还是yield,这是python出色设计的功劳.