2. 入门：时间复杂度&空间复杂度-初级

数据结构和算法解决的是如何更省，更快的存储和处理数据的问题。因此就需要一个考量效率和资源消耗的方法，这就是复杂度分析方法。对应效率的复杂度分析方法就是时间复杂度；对应资源消耗的复杂度分析方法就是空间复杂度。

复杂度分析是整个算法学习的精髓，只要掌握了它，数据结构和算法的内容基本上就掌握了一半。

为什么需要复杂度分析

事后分析法有局限性

1. 测试结果非常依赖测试环境：不同的处理器，内存，os可能结果大不一样
2. 受数据规模的影响很大：如排序算法，小规模的数据直接插入和快速排序差异不大，但数据规模增大后结果就大不一样了。

什么是时间复杂度

用于估算算法执行效率。使用大O表示法表示时间复杂度，大O表示法的时间复杂度并不是算法的真正执行时间，而是一种估算，表示代码执行时间随数据规模增长的变化趋势，也称为渐进时间复杂度，对应英文是：asymptotic time complexity。
当数据量很大时时间复杂度由最大量级决定，一些低阶的，常量等可直接忽略。如T(n) = 3 * n + n * n, 则用O表示法时间复杂度为：O(n * n);

时间复杂度分析的常用技巧

分析一段代码时间复杂度时，只关注循环执行次数最多的那一段代码即可。如果有多段循环代码，可用加法表示出来，如：
T(n) = 10 + n + n * n。 则最后整体的时间复杂度就等于量级最大的那段代码的时间复杂度。在这个例子就是O(n) = n * n;

常见的复杂度量级

• 常量阶 O(1) : 代码时间不随n的增大而增大，即使代码行本身很长也还是常量阶
• 对数阶 O(logn) ：对数阶非常常见，也较难分析，一般看到有折半的时候常常伴随着对数阶
• 线性阶 O(n)：如一个简单的循环，需要执行n次，这就是线性阶
• 线性对数阶 O(nlogn)：如高级排序算法快速排序，归并排序
• 平方阶 O(n * n)：如循环嵌套循环
• 立方阶 O(n * n * n)：如三层循环
• 指数阶 O(2 ^ n)：性能急剧下降，很少用到
• 阶乘阶 O(n!)：性能急剧下降，很少用到

什么是空间复杂度

用于估算算法的执行资源消耗，跟时间复杂度类似，表示算法的存储空间与数据规模之间的增长关系。全称为：渐进空间复杂度（asymptotic space complexity）.

注意：分析时找出算法额外需要的空间和n之间的关系即可。

空间复杂度没有时间复杂度复杂，一般不存在对数阶。常见的就是：常量阶O(1), 线性阶O(n),平方阶O(n * n)。

小结

复杂度也称为渐进复杂度，分为时间复杂度和空间复杂度，用来从执行效率和资源利用率两个角度衡量算法的优劣。最最常见的复杂度就是：常量阶，对数阶，线性阶，线性对数阶，平方阶。