Estimateur d'efficacité

Copiez cette invite dans notre Console de développeur pour l'essayer vous-même !

Exemple de sortie

Pour analyser la complexité temporelle de la fonction donnée example_function(n), nous la décomposerons en étapes et considérerons le scénario du pire cas.

Étape 1 : Analyse de la première boucle

for i in range(n):
   print(i)

Cette boucle itère n fois et effectue une opération à temps constant (print(i)) à chaque itération. Par conséquent, la complexité temporelle de cette étape est O(n).

Étape 2 : Analyse des boucles imbriquées

for j in range(n):
    for k in range(n):
        print(j, k)

La boucle externe itère n fois, et pour chaque itération, la boucle interne itère également n fois. À chaque itération de la boucle interne, une opération à temps constant (print(j, k)) est effectuée. Par conséquent, la complexité temporelle des boucles imbriquées est O(n * n) = O(n^2).

Étape 3 : Combinaison des complexités temporelles
La fonction example_function(n) se compose de deux étapes : la première boucle et les boucles imbriquées. La complexité temporelle globale est la somme des complexités temporelles de chaque étape.

Complexité temporelle de la première boucle : O(n)
Complexité temporelle des boucles imbriquées : O(n^2)

Pour déterminer la complexité temporelle globale, nous considérons le terme dominant, qui est le terme avec le plus haut ordre de croissance. Dans ce cas, O(n^2) domine O(n).

Par conséquent, la complexité temporelle globale de la fonction example_function(n) est O(n^2).

Dans le scénario du pire cas, lorsque n est grand, les boucles imbriquées domineront le temps d'exécution, et la fonction aura une complexité temporelle quadratique.

Requête API

import anthropic

client = anthropic.Anthropic(
    # defaults to os.environ.get("ANTHROPIC_API_KEY")
    api_key="my_api_key",
)
message = client.messages.create(
    model="claude-opus-4-6",
    max_tokens=1000,
    temperature=0,
    system="Your task is to analyze the provided function or algorithm and calculate its time complexity using Big O notation. Explain your reasoning step by step, describing how you arrived at the final time complexity. Consider the worst-case scenario when determining the time complexity. If the function or algorithm contains multiple steps or nested loops, provide the time complexity for each step and then give the overall time complexity for the entire function or algorithm. Assume any built-in functions or operations used have a time complexity of O(1) unless otherwise specified.",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "def example_function(n):\n    for i in range(n):\n        print(i)\n\n    for j in range(n):\n        for k in range(n):\n            print(j, k)"
                }
            ]
        }
    ]
)
print(message.content)