Python数据类型的性能
前面我们学习了大O表示法，今天来讨论一下python两种内置数据类型的大O数量级，列表list和字典dict，这是python两种重要的数据类型，后面的课程会用来实现各种数据结构，我们这里通过运行试验来估计其各种操作运行时间的数量级。
1.对比list和dict的操作
正查是根据索引来获得数据项，反查是由数据项获得它的索引。
2.List列表数据类型常用的操作性能
列表这个数据类型各种操作的实现方法有很多，我们在选择具体的哪种实现方法时，总的方案就是让最常用的操作性能最好，牺牲不太常用的操作，这里就可以遵循8020准则(80%的功能，其使用率只有20%)把利用率达到80%的操作，让他们达到性能最好就可以了,这样整体的性能就会提升。
最常用的：按索引取值和赋值(v=a[i]，a[i]=v)
由于列表的随机访问特性，这两个操作执行时间与列表大小无关，均为O(1);
另一个是列表增长，可以选择append()和_add_()"+"
list.append(v) 执行时间是O(1)
list=list+[v] 执行时间是O(n+k) 其中k是增加的列表的长度。
加法其实是生成了一个新的列表，然后再复制过去，所以它的执行时间是n+k，问题规模包括原列表的大小和增加列表的大小。
选择哪个方法来操作列表决定了程序的性能。
3.四种生成前n个整数列表的方法
test1是循环连接列表(+)的生成方式；test2是用append方法添加元素生成；test3用列表推导式；test4用range函数调用转成列表。这四种方法的性能会相差多少呢？我们用timeit模块对函数计时。
4.用timeit模块对函数计时
创建一个timer对象，指定需要反复运行的语句和只需要运行一次的“安装语句”，然后调用这个对象的timeit方法，其中可以指定反复运行多少次。
这里我们不用原来介绍的time.teme，因为我们知道算法所执行的时间都太快了，如果我们执行test 1到test 4这个函数，只调用一次的话，时间几乎都是零，就没有办法比较，所以我们要将执行的时间放大，通过反复的执行，执行多次来实现，这时我们需要用到timeit模块。timeit模块的用法，最主要的就是用他的timer对象象，生成timer对象的时候需要有两个参数，第一个参数就是你要反复执行的语句，这个语句以字符串的形式给timer。第二个参数就是只需要运行1次的所谓的“安装语句”setup语句，反复运行语句里头如果出现了什么样的变量，我需要从安装语句中import进来。有了timer对象之久，我们就可以调用对象的timeit这个方法，这个方法里面就可以指定number等于多少，即指定语句需要反复执行多少次，这样就会反复运行语句指定的次数。
比如这里的t1等于timer然后调用test1，test1是需要反复运行的语句；第二个是setup语句，因为test1属于我们主程序的一个名字，在主程序名字空间当中，所以我们要import进来，所以会有“from_main_import test1”两个下划线界定的main即表示主程序命名空间。生成了t1之后，我们用t1.timeit(number=1000)表示调用1000次的test1(相当于用for循环range(1000)把test1调用1000次)
5.分析结果
我们运行一下看结果
可以看到四种方法的运行时间差别很大，“+”是最慢的，需要约1.88秒，最快的是list(range(1000))，只用了约0.009秒，速度相差近200倍，append也要比“+”快得多，另外，我们注意到列表推导式的速度是append两倍的样子，同样是增长列表的几种方式，之间的性能是有显著差异的。
6.List基本操作的大O数量级
最后看一下list当中一些基本操作的大O数量级.第一个排在最前面的操作是index，就是按下标取值，数量级为O(1)，这里注意一下pop()删除，如果不加任何参数，就是从最后一个开始删，数量级就是O(1)，如果从中间某个开始删的话，数量级就变为O(n)，同样一个操作，有时它的复杂度也会不一样。
明天带大家测试pop()两种不一样的数量级，探究探究，以及dict的登场~感谢大家的阅读。(◕ᴗ◕✿)
