了解了程序如何运行，我们就可以让我们写的程序变得更快。

介绍

在前面很长一段时间，我们学习建立一个搜索索引，它可以通过一次一次地查看每个条目来响应查询。

当搜索索引检查关键字与我们要找的词相匹配时，就会把结果打印出来。

但是，如果索引很大很大，查询次数很多很多，这种方法就会太慢。

一个典型的商用的搜索引擎应该在一秒钟内做出响应，甚至还会快得多。

在接下来的几篇文章，我们将学习如何使我们的搜索索引更快。

让事情变得更快的办法

这几篇文章最主要目标是让大家了解程序的运行成本。

到此刻为止，我们还没有担心过这个问题，那是我们写的都是最简单的代码，如果程序的代码足够大的时候，或者让程序运行更多的事情的时候，我们就必须开始考虑运行它们的成本。

这个评估一个执行的成本是一个非常重要的问题，它是计算机科学的一个基本问题。有些人整个职业生涯都在研究这个问题。这就是所谓的算法分析。

在看我写的公号过程中，你可能没有意识到这一点，但实际你完整学习的话，已经写了很多算法。

算法是一个输入某些东西，然后让计算机产生正确结果的程序。

一个程序是一个逻辑清晰的步骤序列，它可以机械地执行。

我们主要对可以被计算机执行的程序感兴趣，但它之所以成为程序，重要的部分在于它的步骤是精确定义的，不需要思考就可以执行。

要成为一个算法，它必须总是完成。也就是说它必须要有输出。

你已经看到，要确定一个算法是否总有输出，这不是一个简单的问题。

一般来说，不可能回答这个问题，在现实世界，你永远无法给出下一秒的准确预测，明天的输出需要明天到来之后，才能观察到。

但对于计算机的程序来说，给定一个输入，必须要有一个输出的结果，哪怕是个错误的结果。

所以，一旦你有了一个算法，然后你用逻辑清晰定义了实现的步骤，那么它就会产生正确的结果。

这也意味着你可以通过统计每段过程，对它的成本进行推理。

什么是成本？

计算机科学家思考成本的方式与大多数人思考成本的方式完全不同。

当你考虑到东西的成本时，你就会知道具体的东西，比如红车要25000元，绿车要10000元--红车比绿车贵。

你只要比较这些成本就可以了。这是以非常具体的事物与具体的成本来思考的。

用算法就不一样了。我们通常不会有一个具体的执行思路。成本取决于投入。

假设 算法A 和 算法B 都解决同一个问题。

输入 算法A 输出

输入 算法B 输出

你不能像汽车那样给它们定一个固定的价格。

对于某些输入，可能 算法A 比 算法B 便宜，但对于其他输入，算法B 可能更便宜。

你不希望对每一个输入都要进行计算。

在计算机科学中，成本的主要方式是以输入的大小来谈论的。

通常情况下，输入的大小是决定算法速度的主要因素。

通俗的来说，计算中的成本是以时间如何随着输入的大小增加而增加来衡量。

有时，输入的其他属性也很重要，这在后面会提到。最终，成本总是归结为钱。

当算法执行时，什么是需要花钱的？

完成的时间--如果它完成得更快，你就会花更少的时间在它身上。你可以按执行时间来租用电脑。有各种云计算服务，你按使用时间支付一定大小的处理器的费用。这只是几分钱每小时。时间真的是金钱，虽然我们不需要把成本变成金钱，因为我们可能不知道确切的计算成本，但了解执行时间就能很好地了解成本。

内存--如果执行一个算法需要一定的内存，那么你就可以知道运行程序所需的计算机大小和成本。

总而言之，成本是以时间和记忆而不是以金钱来谈论的；尽管这些的实际实施确实会转化为实际的金钱成本。时间往往是成本的最重要方面，但记忆也是另一个考虑因素。

为什么计算机科学家专注于测量时间随输入大小而变化，而不是绝对时间？

a我们想在运行一个程序之前，预测它的执行时间。

b我们想知道随着计算机的速度越来越快，时间将如何变化。

c我们想了解算法的基本属性，而不是特定输入或机器的东西。

d我们想要抽象的答案，所以它们永远不会错。

e纵观整个计算的历史，一年后用同样的钱能买到的计算机会比今天能买到的计算机快。

程序运行的时间

下面我们将学习如何检查一段代码运行所需的时间。

下面的存储过程time_execution就是一种评估代码执行所需时间的一种方法。

你可以尝试用秒表来做，但是为了准确，你必须运行程序很长时间。

使用 time 时间库中内置的 time_execution() 更准确。代码后面有注释。

import time #这是一个Python库

def time_execution(code):

start = time.monotonic() # 启动时钟,返回的时钟的浮点数值

result = eval(code) # 把任何字符串当作Python命令来计算。

run_time = time.monotonic() - start # 找出开始时间和结束时间的差异。

return result, run_time # 返回代码结果和所需时间

Jupyter中的执行过程：

时钟已经启动。它开始时读取的时间有些随意，但这并不重要，因为你只对它开始和停止的时间差感兴趣，而不是绝对的开始和结束时间。

时钟启动后，你要评估的代码会被执行。这是由相当令人兴奋的方法eval('code')完成的。它允许你以字符串的形式运行任何输入的代码！你输入一个字符串，它就会运行。

你输入一个字符串，它就会把它作为 Python 代码运行。例如，eval('1 + 1') 运行代码 1 + 1。

代码执行完毕后，时钟停止，计算开始和停止时间的差值，并存储为run_time。

最后，过程在eval中返回代码的结果及其运行时间。

你可以通过web解释器来运行计时，但它不会是准确的，而且你的代码在那里运行的时间是有限制的。

如果你的电脑上安装了Python，你就可以在上面运行。

如果你还没有安装Python，尽快安装。

只要动手自己做一遍，才是最快速的学习方式。

上面的输出代码都是Frankie在他的Mac anaconda里的Jupyter notebook中运行的。

回顾一下，time_execution 的输入 "1 + 1"，被作为输入发送给 eval ，然后它以 Python 代码的形式运行 1 + 1。

运行时间用科学记数法写成：(2, 1.7687999843474245e-05)

你可以通过观察 e 后面的 -5 来了解它的来源，它告诉你把小数点向左移动 5 步，就像这样。

单位是秒，所以这是毫秒的一小部分，也就是0.017毫秒左右。

反复尝试同一条指令，由于同一时间机器里有其他事情在进行，所以结果会有所不同，但都是同一个值左右。

如果你试着尝试更大的数字，时间还是非常非常小的。

实际的处理时间还会更低，因为，启动和停止时钟等都算入到时间里面了。

对于这种很小的代码的执行来说，这并不能说明什么。

所以接下来的文章，你会看到一些较长的模块它的执行时间。关注编程联盟，继续学习了解更多的内容。