时间复杂度和空间复杂度

数据结构是缓存

在解决问题的时候，我们通常不是一下子把数据处理完，更多的时候需要先把它们放在一个容器里，等到一定的时刻再把它们拿出来。使用「数据结构」是一种「空间换时间」思想的体现，「空间换时间」的思想会体现在我们学习「算法与数据结构」的整个过程中，恰当使用数据结构可以帮助我们高效地处理数据。所谓恰当，是指针对具体的问题场景，使用了合适的数据结构。

下面是一些常见的数据结构的经典应用场景：

数据结构	应用场景
栈	符合「后进先出」的规律
队列	符合「先进先出」的规律
哈希表（散列表）	实现「快速存取」数据的功能
二分搜索树（红黑树、B 树系列）	维护了一组数据的顺序性，得到一个数据的上下界
并查集	用于处理不相交集合的「动态」连接问题
优先队列	有「动态」添加、删除数据且需要获得最值的场景
字典树（Trie）	用于保存和统计大量的字符串和相关的信息
线段树	处理数组的区间信息的汇总（求和、最值等）、单点更新、区间更新问题
树状数组	处理数组的前缀和、单点更新、区间更新问题

为什么需要这么多数据结构呢？答案是：没有「完美的」数据结构与算法。

---

没有「完美的」数据结构与算法

任何算法都是一种交换。这句话的意思是我们没有办法得到所有想要得到的东西，总是要用某种东西交换另一种东西。有些朋友可能听说过分布式系统有三个指标：

• Consistency（一致性）
• Availability（可用性）
• Partition tolerance（分区容错）

它们的第一个字母分别是 C、A、P。这三个指标不可能同时做到，这个结论就叫做 CAP 定理。对于算法与数据结构同样是这样，时间性能和空间消耗通常来说是不可能同时最优的，一个算法和数据结构对于一个任务来说是优点，但是放在另一个场景下就可能是缺点。我们在进行算法设计的时候，或者是用时间换空间，或者是用空间换时间，或者是综合考虑了二者，设计一个性能折中的方案。

---

总结
在这一小节的最后，我们做一个总结。我们这门课程的定位与目标听众是：算法与数据结构零基础的朋友。算法是解决问题的方法，数据结构是存放、处理数据的容器和缓存。没有「完美的」数据结构与算法，我们需要针对具体问题给出最合适的解决方案。

学习建议

时间复杂度

时间复杂度和空间复杂度是一种事前评估的方法。这种方法叫做大 O 复杂度表示法（大 O 读作：大欧、big 欧）。与此相关的两个概念是「时间复杂度」与「空间复杂度」。

渐进时间复杂度

常见的时间复杂度计算规则

去系数、去常数、去低阶

1. 常数加法系数看做 0
   一段程序必须要做的操作（常数次操作）不纳入复杂度的计算。一般而言，常数次操作都不会是造成程序性能瓶颈的原因。

2. 对于一个多项式，只保留最高次幂的项，并且乘法系数化简成 1
   常见结论：

   • 一次遍历，里面不再有循环的操作，时间复杂度是 O(N)。也就是说，我们把输入数据里所有的元素看一遍，就可以得到结果。这样的算法称为具有线性复杂度的算法。

   • 双重循环，内外层都与输入规模相关的时候，时间复杂度是 O(N²)
     注意：有些算法形式上是双重循环，但事实上，程序只遍历了数组一次或者若干次，这样的算法时间复杂度为 O(N)，

3. 对数或者是含有对数乘法因子的项，对数底都看作 2
   对数级别的时间复杂度，常见且典型的算法是「二分查找」，时间复杂度的表达式为 O(log N)

时间复杂度分析法则

1. 加法法则

如果一段代码有好几个时间复杂度，那么这段代码的时间负责度= 最大的那个时间复杂度

如果有一段代码 有两个时间 复杂度 O(m) O(n),我们并不知道m和n分别是多少，所以这段代码的时间复杂度为T(n)= O(m) + O(n) = O(m+n)

2. 乘法法则

嵌套循环
T(n)= O(n) * O(n) = O(n²)

常用时间复杂度

从上到下依次性能越来越差

常数阶 O(1)
对数阶 O(log N)
线性阶 O(n)
线性对数阶 O(nlogn)
平方阶 O(n²)
立方阶 O(n³)
…
k次方阶 O(n^k)
指数阶 O(2ⁿ)
阶乘阶 O(n!)

空间复杂度

空间不随着输入的数据规模变化 O(1)
空间随着输入的数据规模变化 O(n)