二分查找与线性查找

对于长度太小的有序数组，二分查找并不比线性查找好多少。但我们来看看更大的数组。

对于拥有100个值的数组来说，两种查找需要的最多步数如下所示。

❏ 线性查找：100步

❏ 二分查找：7步

用线性查找的话，如果要找的值在最后一个格子，或者比最后一格的值还大，那么就得查遍每个格子。有100个格子，就是100步。

二分查找则会在每次猜测后排除掉一半的元素。100个格子，在第一次猜测后，便排除了50个。

再换个角度来看，你就会发现一个规律。

长度为3的有序数组，二分查找所需的最多步数是2。

若长度翻倍，变成7（以奇数为例会方便选择正中间的格子，于是我们把长度翻倍后又增加了一个数），则最多步数会是3。

若再翻倍（并加1），变成15个元素，那么最多步数会是4。

规律就是，每次有序数组长度乘以2，二分查找所需的最多步数只会加1。

相反，在3个元素的数组上线性查找，最多要3步，7个元素就最多要7步，100个元素就最多要100步，即元素有多少，最多步数就是多少。数组长度翻倍，线性查找的最多步数就会翻倍，而二分查找则只是增加1步。

这种规律可以用下图来展示。

如果数组变得更大，比如说10000个元素，那么线性查找最多会有10000步，而二分查找最多只有14步。再增大到1000000个元素，则线性查找最多有1000000步，二分查找最多只有20步。

有序数组并不是所有操作都比常规数组要快。如你所见，它的插入就相对要慢。衡量起来，虽然插入是慢了一些，但查找却快了许多。你得根据应用场景来判断哪种更合适。

二分法的大O记法

它不能写成 O(1)，因为二分查找的步数会随着数据量的增长而增长。它也不能写成 O(N)，因为步数比元素数量要少得多，正如之前我们看到的，包含100个元素的数组只要7步就能找完。

看来，二分查找的时间复杂度介于O(1)和O(N)之间。

好了，二分查找的大O记法是：

O(logN)

可将其读作“O log N”。归于此类的算法，它们的时间复杂度都叫作对数时间。

简单来说，O(log N)意味着该算法当数据量翻倍时，步数加1。这确实符合之前章节我们所介绍的二分查找。

目前为止所接触的三种时间复杂度，按照效率由高到低来排序的话，会是这样：

O(1)

O(logN)

O(N)

下图为它们三者的对比。注意O(log N)曲线的微弯，使其效率略差于O(1)，却远胜于O(N)。

解释O(log N)

在大O记法中，当我们说O(log N)时，其实指的是O(log2N)，不过为了方便就省略了2而已。你应该还记得O(N)代表算法处理N个元素需要N步。如果元素有8个，那么这种算法就需要8步。

O(logN)则代表算法处理N个元素需要log2N步。如果有8个元素，那么这种算法需要3步，因为log28=3。从另一个角度来看，如果要把8个元素不断地分成两半，那么得拆分3次才能拆到只剩1个元素。

这正是二分查找所干的事情。它就是不断地将数组拆成两半，直至范围缩小到只剩你要找的那个元素。

简单来说，O(logN)算法的步数等于二分数据直至元素剩余1个的次数。

下表是O(N)和O(log N)的效率对比。

每次数据量翻倍时，O(N)算法的步数也跟着翻倍，O(log N)算法却只需加1。

学会大O记法，我们在比较算法时就有了一致的参考系。有了它，我们就可以在现实场景中测量各种数据结构和算法，写出更快的代码，更轻松地应对高负荷的环境。