【无标题】

时间与空间复杂度

在前端中，复杂度表示执行时需要的计算量与内存空间，我们在考虑复杂度时，不以一个精确的数字来考虑，而是以数量级来考虑，一般情况下我们用5个数量级来区分代码的时间复杂度，分别是O(1)、O(n)、O(n^2)、O(logn)以及O(nlogn)。

在时间复杂度中，一般常见的有5种复杂度

一、O(1)表示在代码中可以写出大致计算量的代码，它的运算速度最快，计算的内容不太会影响计算的速度；

二、O(n)表示时间复杂度会随着空间复杂度的提高而提高的一个数量级，如一个for循环，它的运算速度一般，计算速度随着计算内容的增加而增加；

三、O(n^2)表示时间复杂度会随着空间复杂度的提高进行指数级增加的一个数量级，如循环嵌套，它的运算速度很慢，在数据量较大时运行起来会十分缓慢，需要尽量避免使用；

四、O(logn)代表了一个对数数量级，它的计算速度比较快；

五、最后O(nlogn)代表了在O(n)中使用O(logn)的情况，与O(n^2)类似，但速度更快一些。

空间复杂度的O(1)同样代表了有限、可数的数据，而O(n)则是与输入的数据量相同空间的数量级，与时间复杂度类似。

时间复杂度与空间复杂度的关系如下图所示： 

 

 

前端是重时间，轻空间的，所以我们在选择算法时需要尽量选择时间复杂度较低的算法来优化计算时间。