簡單來說，大o描述的是演算法的執行時間和輸入資料之間的關係n代表資料的個數，時間複雜度中描述的是n趨近於無窮的情況。
o(1) 表示消耗的時間與資料的規模是沒有關係的。
o(n) 說明這個演算法的執行時間與資料的個數（n）呈線性關係
實際執行時間 t = c1*n + c2，c1和c2是常數，在不同的演算法中是不確定的。
所以並不一定時間複雜度為 o(n)的演算法執行時間就比o(n^2)的演算法快：
可能 o(n)：t = 2000n + 10000 o(n^2)：t = 1n*n + 0
這時，當資料量小於2000時，明顯o(n^2)的演算法要快。
均攤複雜度：
在**執行的所有複雜度情況中絕大部分是低階別的複雜度，個別情況是高階別複雜度且發生具有時序關係時，可以將個別高階別複雜度均攤到低級別複雜度上。基本上均攤結果就等於低級別複雜度。例如，陣列每次插入乙個數的時間複雜度是o(1),當陣列滿了之後進行自動擴容一倍的時間複雜度是o(n)。如果按最壞情況分析，每次插入都進行擴容，那麼插入操作的時間複雜度就是o(n)。
如果按均攤複雜度分析，比如一開始陣列容量為4，那麼進行4次插入操作消耗了 4 個時間。當插入第5個數時，陣列擴容消耗了 4+1 個時間。也就是說，5次插入操作消耗了 9 個時間，平均每次操作的時間為 2。當陣列容量為n時，n+1次插入操作觸發擴容，總共消耗 2n+1 個時間。
2n+1 / n+1 平均每次操作消耗兩個時間。
均攤計算後，時間複雜度為o(1)，它的耗時與資料量沒有關係。
複雜度分析 時間複雜度 空間複雜度
執行效率是演算法的乙個重要的考量指標，演算法的執行效率用時間 空間複雜度來衡量。今天我們來學習一下複雜度的分析。通常我們可以通過執行程式來獲得演算法的真正的執行時間，這種方法我們可以稱為事後統計法，但這種方法得到的是具體的資料，測試結果很依賴測試環境，而且受資料規模影像最大。因此，我們需要乙個不需要...
複雜度分析 時間複雜度分析和空間複雜度分析
其實，只要講到資料結構與演算法，就一定離不開時間 空間複雜度分析。而且我個人認為，複雜度分析是整個演算法學習的精髓，只要掌握了它，資料結構和演算法的內容基本上就掌握了一半。1.時間複雜度分析 對於剛才羅列的複雜度量級，我們可以粗略地分為兩類，多項式量級和非多項式量級。其中，非多項式量級只有兩個 o ...
複雜度分析（上）時間複雜度 空間複雜度
為了肉眼 實時 快速地來分析出 的複雜度，我們需要乙個不用具體的測試資料來測試，就可以粗略地估計演算法的執行效率的方法。時間複雜度 空間複雜度 表示演算法的執行時間與資料規模之間的增長關係。每行 對應的 cpu 執行的個數 執行的時間都不一樣，但是，我們這裡只是粗略估計，所以可以假設每行 執行的時間...