500个节点用复杂多项式计算运行时间和所占内存，再将500个节点分区之后重新计算运行时间和内存，写出python代码取得结果并画出对比图像

以下是一个简单的Python代码，用于比较500个节点使用复杂多项式计算和分区后计算的运行时间和所占内存，并画出对比图像：

import numpy as np
import time
import psutil
import matplotlib.pyplot as plt

# 复杂多项式计算
def complex_poly_calculation(x):
    return np.polyval([1, -2, 3, -4, 5, -6, 7, -8, 9, -10], x)

# 分区后计算
def partition_calculation(x, x_partition, y_partition):
    n = len(x_partition)
    y = np.zeros_like(x)
    for i in range(len(x)):
        for j in range(n-1):
            if x_partition[j] <= x[i] <= x_partition[j+1]:
                y[i] = y_partition[j]
                break
    return y

# 生成数据
x = np.linspace(-10, 10, 500)

# 复杂多项式计算
start_time = time.time()
y1 = complex_poly_calculation(x)
end_time = time.time()
time1 = end_time - start_time
memory1 = psutil.Process().memory_info().rss

# 分区后计算
x_partition = np.linspace(-10, 10, 10)
y_partition = complex_poly_calculation(x_partition)
start_time = time.time()
y2 = partition_calculation(x, x_partition, y_partition)
end_time = time.time()
time2 = end_time - start_time
memory2 = psutil.Process().memory_info().rss

# 打印结果
print("Complex polynomial calculation: time={:.3f}s, memory={:.3f}MB".format(time1, memory1/1024/1024))
print("Partitioned calculation: time={:.3f}s, memory={:.3f}MB".format(time2, memory2/1024/1024))

# 画图比较
plt.plot(x, y1, label="complex polynomial")
plt.plot(x, y2, label="partitioned")
plt.legend()
plt.show()

这个代码先定义了两个函数，一个用于复杂多项式计算，另一个用于进行分区后的计算，然后生成了一个包含500个节点的x值序列。接着，代码分别调用了这两个函数，用于进行复杂多项式计算和分区后的计算，并通过time和psutil库分别记录了两种计算方法的运行时间和内存占用。最后，代码使用matplotlib库画出了复杂多项式计算和分区后计算的结果对比图像。

在运行这个代码之后，你可以得到复杂多项式计算和分区后计算的运行时间和所占内存，并且可以通过对比图像看出两种计算结果的差异。