Big-O ఇన్పుట్ సైజు n పెరిగేకొద్దీ ఆల్గోరిథం యొక్క రన్ టైమ్ లేదా మెమరీ ఎలా పెరుగుతుందో వర్ణిస్తుంది. ఇది చెత్త-కేస్ అసిమ్ప్టోటిక్ ప్రవర్తనను సంగ్రహిస్తుంది, స్థిరాంకాలను మరియు తక్కువ-క్రమ నిబంధనలను పట్టించుకోకుండా.
వృద్ధి రేటు గురించి మనం శ్రద్ధ వహిస్తాము, ఖచ్చితమైన దశ గణనల గురించి కాదు. O(2n + 5) కేవలం O(n) ఎందుకంటే n పెరిగేకొద్దీ, స్థిరాంకాలు మరియు చిన్న నిబంధనలు ముఖ్యమైనవి కావు.
జూనియర్ నుండి సీనియర్ వరకు వివరణాత్మక సమాధానాలతో IT ఇంటర్వ్యూ ప్రశ్నల లైబ్రరీ.
విరాళం| Big-O | పేరు | ఉదాహరణ |
|---|
| O(1) | స్థిరమైన | శ్రేణి ఇండెక్స్ లుకప్ |
| O(log n) | సంవర్గమान | ద్విమితీయ శోధన |
| O(n) | సరళ | జాబితా స్కానింగ్ |
| O(n log n) | సరళ-సంవర్గమాన | merge sort |
| O(n²) | చతుర్భుజం | నెస్టెడ్ లూప్లు |
| O(2ⁿ) | ఎక్స్పోనెన్షియల్ | నిష్క్రియ ఉపసమితులు |
def has_duplicate(nums):
for i in range(len(nums)): # outer loop: n
for j in range(i + 1, len(nums)): # inner loop: n
if nums[i] == nums[j]:
return True
return False
# nested loops -> O(n^2) time, O(1) space
Big-O స్థిరాంకాలను దాచిపెడుతుంది: పెద్ద స్థిరాంకం ఉన్న O(n) ఆల్గోరిథం చిన్న ఇన్పుట్లపై O(n log n)కు ఓడిపోవచ్చు. స్థలం సంక్లిష్టతను కూడా ట్రాక్ చేయండి, కేవలం సమయం కాదు.
Big-O ఆల్గోరిథమ్లను నడిపించకుండా లేదా హార్డ్వేర్ గురించి చింతించకుండా సరిపోల్చడానికి అనుమతిస్తుంది.
ఇన్పుట్లు శతాబ్దాల నుండి మిలియన్ల వరకు పెరిగేకొద్దీ ఏ సమాధానాలు జీవించాయో అది అంచనా వేస్తుంది — స్కేల్ చేసే ఫీచర్ మరియు టైమ్అవుట్ చేసే ఫీచర్ మధ్య వ్యత్యాసం.
ఇది ప్రతి ఇంజనీర్ పనితీరు గురించి కారణం చెప్పుకోవడానికి ఉపయోగించే పదజాలం.