Владимир Олохтонов

Число транспозиций должно подойти.

А для чего вам сводить сумму рёбер графа к нулю? И что такое "высота ребра"?

Здесь на самом деле 2 задачи:
1) выбор 11 элементов из множества
2) генерация всех перестановок для этого подмножества

Если каждое преобразование в цепочке обратимо, то и результат будет обратимым, в качестве доказательства рассмотрим такой алгоритм:
X <- исходные данные
F1 <- обратимое преобразование, обратное для него обозначим F1'
F2 <- обратимое преобразование, обратное для него обозначим F2'
...
FN <- обратимое преобразование, обратное для него обозначим FN'

Тогда после применения всех преобразований получим некоторые данные X':
X' = FN(...(F2(F1(X))))

Раскрутим X' обратно, используя обратные преобразования:
X = F1'(F2'(...(FN'(X'))))

Задача называется "генерация сочетаний", так и гуглится.
www.e-maxx-ru.1gb.ru/algo/generating_combinations

N – это число элементов в куче, при сортировке вам нужно поочередно достать из кучи все элементы, после каждого извлечения кучу надо перестроить, это требует O(logN) операций.

Всего получается O(NlogN).

Посмотрите правде в глаза.

Нормальный продукт, которым будет кому-то интересно пользоваться, вы скорее всего не сделаете, тема слишком большая для одного человека.

Если хотите сделать интересный проект для саморазвития, то для начала почитайте что-нибудь про инфопоиск, например вот эту классическую книгу: "Маннинг, Введение в информационный поиск"
www.ozon.ru/context/detail/id/5497130

Классический подход к решению этой задачи - булев индекс:
map[tag]set[id]

Приведите имена к общему виду, это самое правильное решение :)

Рекомендую воспользоваться pandas и не изобретать велосипед :)
Если у вас в csv есть заголовки, то он их определит и вы сможете обращаться к данным прямо по имени колонки.

ПС: или модулем csv на худой конец.

Заводите структуру данных "множество".
Проходите по внешнему списку в обратном порядке, для каждого элемента вложенных списков проверяете есть ли такой элемент в множестве, если нет - добавляете в множество и в результирующий список.

Не понятно по какому принципу вы разбиваете элементы по спискам.

Если слова в вашем файле записаны построчно, то вам нужно просто читать файл построчно, таким образом в памяти всегда будет только одно слово.

Проверка слова на палиндром производиться сравнением слова с ним же, но инвертированным.

Если слово является палиндромом - пишем его в другой файл.

После прохождения по всему файлу нам нужно будет выбрать из найденных палиндромов уникальные (если есть такое требование), это можно сделать с использованием ассоциативного массива или префиксного дерева со счётчиками в каждой вершине.

На практике алгоритм можно сильно ускорить если читать и писать строки не по одной, а батчами - ценой будет увеличенное потребление памяти.

Такая операция называется вычетом по модулю, обычно обозначается символом %.

Пример на Python:

In [6]: p = 6
   ...: for i in range(10):
   ...:     print('i=' + str(i), i % p)
   ...:     print('-i=' + str(-i), -i % p)
   ...:     
   ...:     
   ...:     
   ...:     
('i=0', 0)
('-i=0', 0)
('i=1', 1)
('-i=-1', 5)
('i=2', 2)
('-i=-2', 4)
('i=3', 3)
('-i=-3', 3)
('i=4', 4)
('-i=-4', 2)
('i=5', 5)
('-i=-5', 1)
('i=6', 0)
('-i=-6', 0)
('i=7', 1)
('-i=-7', 5)
('i=8', 2)
('-i=-8', 4)
('i=9', 3)
('-i=-9', 3)

Возьмите xgboost.XGBRegressor, обучайте на подвыборке за все предыдущие дни для каждого часа отдельно. В качестве метрики качества можете рассмотреть MSE или MAE.

Качество будет приличное, думать много не надо.

Решение похожей задачи: https://youtu.be/nZdeB6QI9Vw

PS: Градиентный бустинг, который реализован в xgboost, это последовательное добавление решающих деревьев в композицию, с подкручиванием весов объектов на каждом шаге таким образом, чтобы каждое следующее дерево (estimator в терминах xgboost) наилучшим образом учитывало ошибки всей композиции на предыдущем шаге.

То, что вы написали, называется сортировка подсчётом. Сложность действительно O(n), поскольку вы проходите по исходному массиву всего 1 раз.

Вы также проходите 2 раза и по массиву фиксированной длины (65536).

Общий анализ выглядит следующим образом:
65536 (заполнение нулями) + N (проход по исходному массиву для подсчёта элементов) + 65536 (проход по массиву счётчиков для записи в выходной, теперь уже отсортированный массив) = 2*65536 + N = O(N + 2*65536) = O(N).

В случае сортировки вставками вы в худшем случае делаете N операций (оценка грубая) для каждого из N элементов исходного массива: N*N=N^2=O(N^2).