繁體中文

返回提示庫

程式碼重寫範例

本範例展示如何使用 DeepSeek 分析和優化程式碼，包括錯誤處理、註釋和效能改進。

任務

分析並優化以下效率低下且缺乏邊界情況處理的程式碼：

def fib(n):
    if n <= 2:
        return n
    return fib(n-1) + fib(n-2)

提示詞

上面這段程式碼的效率很低，且沒有處理邊界情況。請先解釋這段程式碼的問題與解決方法，然後進行優化。

回應

問題分析

這段程式碼實現了一個遞迴的斐波那契數列計算函式 fib(n)。雖然程式碼簡潔，但它存在以下幾個問題：

重複計算：遞迴呼叫會導致大量的重複計算。例如，計算 fib(5) 時，fib(3) 和 fib(2) 會被多次計算，導致效率低下。
邊界情況處理不完善：雖然程式碼中處理了 n <= 2 的情況，但沒有處理 n < 0 的情況。對於負數輸入，函式會返回不正確的結果。
遞迴深度限制：對於較大的 n，遞迴深度可能會超過 Python 的預設遞迴深度限制，導致 RecursionError。

解決方法

使用記憶化（Memoization）：透過快取已經計算過的斐波那契數列值，避免重複計算，提高效率。
處理邊界情況：增加對 n < 0 的檢查，並返回適當的錯誤訊息或預設值。
使用迭代代替遞迴：遞迴雖然簡潔，但在處理大規模資料時效率較低。可以使用迭代方法來計算斐波那契數列，避免遞迴深度限制。

優化後的程式碼

方法一：記憶化遞迴

def fib(n, memo={}):
    if n < 0:
        raise ValueError("輸入必須是非負整數")
    if n <= 2:
        return 1
    if n in memo:
        return memo[n]
    memo[n] = fib(n-1, memo) + fib(n-2, memo)
    return memo[n]

方法二：迭代法

def fib(n):
    if n < 0:
        raise ValueError("輸入必須是非負整數")
    if n <= 2:
        return 1
    
    a, b = 1, 1
    for _ in range(3, n+1):
        a, b = b, a + b
    return b

解釋

記憶化遞迴：
- 使用一個字典 memo 來儲存已經計算過的斐波那契數列值
- 在每次遞迴呼叫前，先檢查 memo 中是否已經有結果，如果有則直接返回，避免重複計算
- 處理了 n < 0 的情況，拋出 ValueError
迭代法：
- 使用兩個變數 a 和 b 來保存前兩個斐波那契數列值
- 透過迴圈從 3 到 n 計算斐波那契數列值，避免了遞迴呼叫，提高了效率
- 同樣處理了 n < 0 的情況，拋出 ValueError

總結

優化後的程式碼不僅提高了效率，還完善了邊界情況的處理。記憶化遞迴和迭代法都是有效的優化手段，具體選擇哪種方法取決於具體需求和場景。

生成回應的程式碼

from openai import OpenAI

client = OpenAI(
    base_url="https://api.deepseek.com/",
    api_key="<YOUR_API_KEY>"
)

completion = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {
            "role": "user",
            "content": "上面這段程式碼的效率很低，且沒有處理邊界情況。請先解釋這段程式碼的問題與解決方法，然後進行優化。"
        }
    ]
)

print(completion.choices[0].message.content)