我正在编写一个简单的python程序。

我的程序似乎受到了字典的线性访问，即使算法是二次型的，它的运行时间也呈指数增长。我用字典来记忆价值观。这似乎是一个瓶颈。

我要散列的值是点的元组。每个点是：(x，y)，0<=x，y<=50字典中的每个键是：一个2-5点的元组：((x1，y1)，(x2，y2)，(x3，y3)，(x4，y4)

读钥匙的频率比写钥匙的频率高很多。

对于这种输入，python dict会遭受线性访问时间，这是正确的吗？

据我所知，集合有保证的对数访问时间。如何在python中使用集合(或类似的东西)模拟dict？

根据要求进行编辑，以下是记忆功能的(简化)版本：

见时间复杂性。python dict是一个散列映射，因此，如果散列函数不好并导致大量冲突，那么它的最坏情况是o(n)。但是，这是非常罕见的情况，因为添加的每个项都具有相同的哈希值，因此添加到同一个链中，这对于主要的Python实现来说是极不可能的。平均时间复杂性当然是O(1)。

最好的方法是检查并查看正在使用的对象的哈希值。cpython dict使用int pyobject_hash(pyobject*o)，它相当于hash(o)。

在快速检查之后，我还没有找到两个哈希值相同的元组，这表明查找是O(1)

代码板(24小时可用)

如果您提供示例代码和数据，那么就更容易提出建议。

访问字典不太可能是一个问题，因为该操作平均为O(1)，而O(n)是分摊的最坏情况。内置的哈希函数可能会与您的数据发生冲突。如果您遇到内置哈希函数的问题，可以提供自己的哈希函数。

Python's dictionary implementation
reduces the average complexity of
dictionary lookups to O(1) by
requiring that key objects provide a
"hash" function. Such a hash function
takes the information in a key object
and uses it to produce an integer,
called a hash value. This hash value
is then used to determine which
"bucket" this (key, value) pair should
be placed into.

您可以覆盖类中的哈希方法来实现如下自定义哈希函数：

根据数据的实际外观，您可能能够找到比标准函数冲突更少的更快的哈希函数。然而，这不太可能。有关更多信息，请参见字典键上的python wiki页面。

你不正确。dict访问不太可能是您的问题。几乎可以肯定它是O(1)，除非您有一些非常奇怪的输入或非常糟糕的散列函数。从应用程序中粘贴一些示例代码，以便更好地进行诊断。

My program seems to suffer from linear access to dictionaries, its run-time grows exponentially even though the algorithm is quadratic.

I use a dictionary to memoize values. That seems to be a bottleneck.

这是你记忆方法中的一个错误的证据。

要回答您的特定问题：

问题1："是否正确，python dict使用此类输入时会出现线性访问时间？"

A1：如果您的意思是平均查找时间是O(N)，其中N是dict中的条目数，那么您很可能是错的。如果您是正确的，那么Python社区非常希望知道您在什么情况下是正确的，这样可以减轻或至少警告问题。"示例"代码和"简化"代码都不是有用的。请显示重现问题的实际代码和数据。代码应该使用诸如dict项的数量和每个p的dict访问数之类的东西进行检测，其中p是键中的点数(2<=p<=5)。

问题2："据我所知，集合有保证的对数访问时间。如何在python中使用集合(或类似的东西)模拟听写？"

A2：集合在什么上下文中保证了对数访问时间？对于Python实现没有这样的保证。最近的cpython版本实际上使用了一个缩减的dict实现(仅限键，没有值)，因此期望是平均O(1)行为。你怎么能用任何语言的集合或类似的东西来模拟口述呢？简短的回答：如果您想要除dict.has_key(key)之外的任何功能，则非常困难。

正如其他人指出的，在Python中访问dict很快。考虑到它们的中心作用，它们可能是语言中最好的涂油数据结构。问题出在别处。

你在记忆多少个元组？你考虑过内存占用吗？也许您将所有的时间都花在内存分配器或分页内存上。