时间复杂度和空间复杂度

时间复杂度

时间复杂度即为代码的执行次数量级
算法的执行时间与输入之间的关系

O(1)

常量数量级的时间复杂度, 没有for循环和while循环

O(N)

常量不看，其中total=0，return total为常量执行次数
只有一层循环，循环的执行次数为N

O(logN)

常量不看，其中i=1，return i 为常量执行次数
i=i*2的执行次数为log₂(N)，舍去2，则最后结果为O(logN)

O(M+N)

同理常量次数不看
两个O(N)，一个执行M次，一个执行N次
组合之后变成O(M+N)， 实际上等同于O(N)

O(NlogN)

同理常量次数不看
N次执行次数的循环内嵌套了一个logN次执行次数的循环
总次数为二者相乘即为O(NlogN)

O(N²)

N次执行次数的循环内嵌套了一个N次执行次数的循环
总次数为二者相乘即为O(N²)

时间复杂度的判断方式

1 首先看有没有循环，没有则为常量次数O(1)
2 如果有，首先判断每一次循环的执行次数
3 循环之间的嵌套使用相乘的方式，得出最终的时间复杂度

各个时间复杂度之间的比较

O(1) < O(logN) < O(N) < O(NlogN) < O(N²) < O(2^N) < O(N!)
二分查找：O(logN)
堆排序：O(NlogN)
冒泡排序：O(N²)
快速排序：O(N²)
选择排序：O(N²)
二叉树排序：O(N²)
插入排序：O(N²)

空间复杂度

算法的存储空间和算法的关系
占空间的都是声明出来的变量

O(1)

存储的变量为常数数量级

total在初始化之后虽然在循环当中被重复赋值，但是始终只占用total的空间
所以存储的变量为常数数量级

O(N)

存储的数量级为N，循环的次数

数组的内的数字在不断增多，不断开辟新的内存空间

tip1

arrary = []
for num in nums:
    array.append(num)
return arrary

空间占用分为堆空间和栈空间
在for循环中条件部分申明的变量 num 开辟的空间为栈空间
使用完毕就会释放
而其他变量使用的是堆空间，程序完成之后才会释放

tip2

递归的函数内本身的空间复杂度如果为O(1)， 则调用递归的空间复杂度为O(N)
递归的函数内本身的空间复杂度如果为O(N)， 则调用递归的空间复杂度为O(N²)

参考b站 饲养员 侵删