时间复杂度分析

为什么需要复杂度分析？

事后统计法

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。

事后统计法的局限性

1. 测试结果依赖测试环境

2. 测试结果受数据规模影响

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。就是时间复杂度分析法。

大O复杂度表示法

T(n) = O(f(n))

T(n) 表示代码执行的时间

n 表示数据规模的大小

f(n) 表示每行代码执行的次数总和

O 就是这个表示法的一个符号

大 O 时间复杂度实际上并不具体表示代码真正的执行时间，而是表示代码执行时间随数据规模增长的变化趋势，所以，也叫作渐进时间复杂度，简称时间复杂度。

如何分析一段代码的时间复杂度？

1. 只关注循环执行次数最多的一段代码

2. 加法法则：总复杂度等于量级最大的那段代码的复杂度

3. 乘法法则：嵌套代码的复杂度等于嵌套内外代码复杂度的乘积

常见时间复杂度

常数阶

def cal():
    # 常数阶
    a = 10  # 执行一次
    sum = (a+2) * 5 / 2  # 执行一次
    return sum  # 执行一次

复杂度：T(n) = O(3)

线性阶

def cal():
    # 线性阶
    n = 100  # 执行一次
    sum = 0  # 执行一次
    for i in range(n):  # 执行n次
        sum += i  # 执行n次
    return sum  # 执行一次

复杂度：T(n) = O(2n+3)

对数阶

def cal():
    # 对数阶
    n = 100  # 执行一次
    c = 1  # 执行一次
    while c < n:  # 每次c乘2距离n就更近，有x次2相乘后会大于n，2^x=n 得到x=log2n，执行log2n次
        c = c * 2  # 每次c乘2距离n就更近，有x次2相乘后会大于n，2^x=n 得到x=log2n，执行log2n次

复杂度：T(n) = O(2log2n+2)，log2n中的2是底数

平方阶

def cal():
    # 平方阶
    n = 100  # 执行一次
    sum = 0  # 执行一次
    for i in range(n):  # 执行n次
        print(i)  # 执行n次
        for j in range(n):  # 执行n²次
            sum += j  # 执行n²次
    return sum  # 执行一次

复杂度：T(n) = O(2n²+2n+3)

当 n 很大时，你可以把它想象成 10000、100000。而公式中的低阶、常量、系数三部分并不左右增长趋势，所以都可以忽略。

我们只需要记录一个最大量级就可以了。

比如：

T(n) = O(3)，大O表示法记作：T(n) = O(1)

T(n) = O(2n+3)，大O表示法记作：T(n) = O(n)

T(n) = O(2log2n+2)，大O表示法记作：T(n) = O(logn)

T(n) = O(2n²+2n+3)，大O表示法记作：T(n) = O(n²)

越高阶复杂度的算法，执行效率越低。

从低阶到高阶

时间复杂度之间的关系