O(1), O(n), O(logn), O(nlogn)

由于平时接触算法比较少，今天看资料看到了O(1)，都不知道是什么意思，百度之后才知道是什么意思。

描述算法复杂度时,常用O(1), O(n), O($logn$), O($nlogn$)表示对应算法的时间复杂度，是算法的时空复杂度的表示。不仅仅用于表示时间复杂度，也用于表示空间复杂度。

O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。

比如时间复杂度为O(n)，就代表数据量增大几倍，耗时也增大几倍。比如常见的遍历算法。再比如时间复杂度O($n^2$)，就代表数据量增大n倍时，耗时增大n的平方倍，这是比线性更高的时间复杂度。比如冒泡排序，就是典型的O($n^2$)的算法，对n个数排序，需要扫描n×n次。

再比如O($logn$)，当数据增大n倍时，耗时增大$logn$倍（这里的log是以2为底的，比如，当数据增大256倍时，耗时只增大8倍，是比线性还要低的时间复杂度）。二分查找就是O($logn$)的算法，每找一次排除一半的可能，256个数据中查找只要找8次就可以找到目标。

O($nlogn$)同理，就是n乘以$logn$，当数据增大256倍时，耗时增大256*8=2048倍。这个复杂度高于线性低于平方。归并排序就是O($nlogn$)的时间复杂度。

O(1)就是最低的时空复杂度了，也就是耗时/耗空间与输入数据大小无关，无论输入数据增大多少倍，耗时/耗空间都不变。 哈希算法就是典型的O(1)时间复杂度，无论数据规模多大，都可以在一次计算后找到目标（不考虑冲突的话）