算法复杂度分析（上）

数据结构和算法本身解决的是“快”和“省”的问题。所以，执行效率是算法一个非常重要的考量指标。如何衡量编写的代码的执行效率？可以通过时间、空间复杂度分析。

为什么需要复杂度分析？

事后统计法的局限性

我们可以把代码跑一遍，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。这种方法叫做事后统计法。但是这种方法有非常大的局限性。

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，同一段代码在不同代CPU处理器(如i3和i9)执行速度相差很大。还有，比如原本在这台机器上a代码比b代码的执行速度要快，等我们换到另一台机器上时，可能会有截然相反的结果。

2.测试结果受数据规模的影响很大

对同一个排序算法，待排序数据的有序度不一样，排序的执行时间就会有很大的差别。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地反映算法的性能。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，就可以粗略地估计算法的执行效率的方法。这就是下面介绍的时间、空间复杂度分析方法。

大O复杂度表示法

算法的执行效率，粗略地讲就是算法代码的执行的时间。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？

下面有段代码，我们可以估算一下这段代码的执行时间：

public int sum(int n) {
   
	int sum = 0;  // 一个unit_time
	int i = 1;