大多数性能方法可以从无序收藏

Question

MAX = 1_000_000
MIN = 0

target: float = 333_333.0
collection: set[float] = {random.uniform(MIN, MAX) for _ in range(100_000)}


# --- Code here to find closest as fast as possible, now and for future lookups ---


assert closest in collection and all(abs(target - v) >= delta for v in collection)

附录1

with浏览所有值并相应地更新。非常简单，但对于大型收藏而言非常慢。

closest附录2

SORT数据，然后通过二进制搜索找到最接近的数据。排序时间为o（n log n），但是未来的查找只需要花费时间才能找到！

closest: float = next(iter(collection))  # get any element
delta: float = abs(closest - target)

for v in collection:
    tmp_delta = abs(v - target)

    if tmp_delta  < delta:
        closest = v
        delta = tmp_delta

附录3

使用一些自定义哈希？我考虑过针对自定义类启动

sorted_collection: list[float] = sorted(collection)

idx = bisect.bisect_right(sorted_collection, target)

if idx == 0:
    return sorted_collection[0] 
if idx == len(sorted_collection):
    return sorted_collection[-1]

before, after = sorted_collection[idx - 1], sorted_collection[idx]
return before if target - before <= after - target else after

方法，然后可以使用（装甲）o（1）查找时间来找到值，但是如果没有对所涉及的数据做出一些以前的假设，并且想知道是否有可能。

这是我简而言之。我想知道是否有一种比简单排序 +二进制搜索方法更快的方法，以及我使用

dict

+自定义哈希功能的想法是否有可能。

浮子，二进制搜索量表像最著名的量表。但是，它需要在彼此之间在一定距离处查看内存中的位置。 a

b-tree也像

__hash__

一样缩放，但是通过找到彼此接近的决策集，它可以得到一个数量级的恒定改进。

哈希想法不起作用，因为良好的哈希功能会以伪随机方式散布附近的值。因此，您没有比搜索整个哈希更好的方法来找到附近的价值观。