Data · · 1 دقیقه مطالعه
وقتی داده بزرگ میشه، الگوریتم مهم میشه
یک شروع برای فهم Big O و یه آزمایش کوچیک برای وقتی کد پایتونت کند میشه.
نسخهٔ وبلاگیِ بسطیافته از یادداشت تلگرامم؛ نسخهٔ انگلیسی ترجمه و بازنویسی است.
یه اسکریپت پایتون روی نمونهٔ کوچیک سریع اجرا میشه، ولی روی دیتای کامل آدم رو منتظر میذاره. قبل از عوضکردن سختافزار، خوبه بپرسیم با بزرگشدن ورودی، مقدار کار کد چطور تغییر میکنه.
برای همین ویدیوی مقدماتی ساختمان داده و الگوریتم موش همدانی رو معرفی کردم. Big O، مصرف حافظه و ساختارهای پایه رو به یه سؤال روزمرهٔ کار با دیتا وصل میکنه؛ وقتی ورودی چند برابر بشه، چه اتفاقی میافته؟
کار تکراری رو پیدا کنیم
فرض کن برای هر شناسهٔ مشتری میخوای ببینی توی یه فهرست دیگه هست یا نه. اگه هر بار کل فهرست دوم رو بگردی، مقدار زیادی کار تکرار میشه. ساختن یه set میتونه هزینهٔ بررسیهای بعدی رو تغییر بده، در عوض حافظهٔ بیشتری مصرف میکنه. نتیجهٔ واقعی به عملیات، پیادهسازی و داده بستگی داره.
یه آزمایش ساده
همون عملیات رو روی ورودیهای بزرگتر اجرا کن. زمان و حافظه رو ثبت کن و شرایط اجرا رو ثابت نگه دار. هر اندازه رو چند بار امتحان کن تا یه اجرای اتفاقی گمراهت نکنه.
حلقهٔ تودرتو جای خوبیه برای بررسی، ولی همیشه ایراد نیست. گاهی داده کمه و خوانایی مهمتره. گاهی هم کتابخونه کار سنگین رو از قبل بهینه انجام میده.
قدم بعدی
یه تابع کند از پروژهٔ تمرینیات بردار. بنویس حلقهها چی رو تکرار میکنن، حدس بزن دوبرابرشدن ورودی چه اثری داره و بعد اندازه بگیر. اینجا مفهوم پیچیدگی به چیزی تبدیل میشه که میتونی ببینی.