算法基础(一)--大O分析法（上）

复杂度分析(上)

为什么需要复杂度分析？

你可能会有疑惑，我把代码跑一遍，通过统计、监控，就能得到算法执行的时间和占用的内存大小。为什么还要做时间、空间
复杂度分析呢？这种分析方法能比我实实在在跑一遍得到的数据更准确吗？首先，可以肯定地说，这种评估算法执行效率地方法
是正确地。很多数据结构和算法书籍还给这种方法起了一个名字，叫事后统计法。但是这种统计方法有非常大地局限性：

1. 测试结果非常依赖测试环境：
   
   测试环境中硬件的不同会对测试结果有很大的影响。比如，我们拿同样一段代码，分别用Intel Core i9处理器和i3处理器来
   运行，不用说，i9处理器要比i3处理器执行的速度快很多。(虽然有些语言可以模拟测试环境，比如Golang，但是依然会受到硬件的
   局限)。

2. 测试结果受数据规模的影响很大：
   
   我们就拿排序算法来举一个例子。对于同一个排序算法，待排序数据的有序度不一样，排序的执行时间也会有很大的差别。极端
   情况下，如果数据已经是有序的，那排序算法不需要做任何操作，执行时间就会非常短。除此之外，如果测试数据规模太小，测试结果
   可能无法真实的反映算法的性能。比如，对于小规模的数据排序，插入排序可能反倒会比快速排序要快。

所以，我们需要一个不用具体的测试数据来测试，就可以粗略的估计算法的执行效率的方法。这也就是我们要讲的时间、空间
复杂度分析方法。

大O复杂度表示法

算法的执行效率，组略的讲，就是算法代码执行的时间。但是，如何在不运行代码的情况下，用“肉眼”得到一段代码的执行时间呢？这
里有段非常简单的代码，求1,2,3…n的累加和。现在，我(作者)就带你一块来估算一下这段代码的执行时间。

func cal(n int) int {
    sum := 0
    i := 1
    for ;i<=n;i++ {
        sum += i
    }
    return sum
}

从CPU角度来看，这段代码的每一行都指向着类似的操作：读数据-运算-写数据。尽管每行代码对应的CPU执行的个数、执行的时间都不
一样，但是，我们这里只是组略估计，所以可以假设每行代码执行的时间都是一样的，为uint_time。在这个假设的基础之上，这段代码的总
执行时间是多少呢？