您的算法确实需要 O(n) 时间,而“逆序弹出”算法确实需要 O(n²) 时间。然而,LeetCode 并没有报告说你的时间复杂度优于 89% 的提交;而是说你的时间复杂度优于 89% 的提交。据报告,您的实际运行时间优于所有提交的 89%。实际运行时间取决于测试算法的输入;不仅是大小,还有重复的数量。
它还取决于如何平均多个测试用例的运行时间;如果大多数测试用例都是针对二次解更快的小输入,那么二次解可能总体上领先,即使其时间复杂度更高。 @Heap Overflow 在评论中还指出,与算法运行所需的时间相比,LeetCode 判断系统的开销时间比例较大且变化很大,因此差异可能只是由于该开销的随机变化造成的。
为了阐明这一点,我使用以下方法测量了运行时间timeit https://docs.python.org/3/library/timeit.html。下图显示了我的结果;考虑到时间复杂度,这些形状正是您所期望的,并且交叉点介于两者之间8000 < n < 9000
在我的机器上。这是基于排序列表,其中每个不同元素平均出现两次。下面给出了我用来生成时间的代码。
计时代码:
def linear_solution(nums):
left, right = 0, 0
while right < len(nums)-1:
if nums[right] != nums[right+1]:
nums[left+1]=nums[right+1]
left += 1
right += 1
return left + 1
def quadratic_solution(nums):
prev_obj = []
for i in range(len(nums)-1,-1,-1):
if prev_obj == nums[i]:
nums.pop(i)
prev_obj = nums[i]
return len(nums)
from random import randint
from timeit import timeit
def gen_list(n):
max_n = n // 2
return sorted(randint(0, max_n) for i in range(n))
# I used a step size of 1000 up to 15000, then a step size of 5000 up to 50000
step = 1000
max_n = 15000
reps = 100
print('n', 'linear time (ms)', 'quadratic time (ms)', sep='\t')
for n in range(step, max_n+1, step):
# generate input lists
lsts1 = [ gen_list(n) for i in range(reps) ]
# copy the lists by value, since the algorithms will mutate them
lsts2 = [ list(g) for g in lsts1 ]
# use iterators to supply the input lists one-by-one to timeit
iter1 = iter(lsts1)
iter2 = iter(lsts2)
t1 = timeit(lambda: linear_solution(next(iter1)), number=reps)
t2 = timeit(lambda: quadratic_solution(next(iter2)), number=reps)
# timeit reports the total time in seconds across all reps
print(n, 1000*t1/reps, 1000*t2/reps, sep='\t')
结论是,对于足够大的输入,您的算法确实比二次解更快,但是 LeetCode 用于测量运行时间的输入“不够大”,不足以克服判断开销的变化,并且平均值包括在较小的输入上测量的时间,其中二次算法更快。