数据结构与算法之复杂度分析存在的意义

数据结构和算法本身解决的是“快”和“省”的问题，即如何让代码运行得更快，如何让代码更省存储空间。

执行效率是算法一个非常重要的考量指标，即时间、空间复杂度分析（在我初学的时候，我觉得挺难的，那经历了几年的项目经验，回过头来，我想看看是否很难）

为什么需要复杂度分析？

你可能会有些疑惑，我把代码跑一遍，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。为什么还要做时间、空间复杂度分析呢？这种分析方法能比我实实在在跑一遍得到的数据更准确吗？首先，我可以肯定地说，你这种评估算法执行效率的方法是正确的。很多数据结构和算法书籍还给这种方法起了一个名字，叫事后统计法。但是，这种统计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，我们拿同样一段代码，分别用 Intel Core i9 处理器和 Intel Core i3 处理器来运行，不用说，i9 处理器要比 i3 处理器执行的速度快很多。还有，比如原本在这台机器上 a 代码执行的速度比 b 代码要快，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，插入排序可能反倒会比快速排序要快！

这个对于现实中我们开发项目而言很容易遇到，例如：我们有开发环境，测试环境，预发环境，正式环境，也有mac或者不是mac的电脑，那同样的项目，运行起来，即使同样的数据量也会存在快慢之分，有时候客户或者测试遇到的问题，我们这里很难复现，因为大家所处的环境以及数据不同，不同的客户的数据量的大小，对于前端异步获取数据的来说，渲染方面也会出现偏差，所以测试结果非常依赖测试环境，测试结果受数据规模的影响很大

因此: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。这就是时间、空间复杂度分析方法。

此文章为4月Day29学习笔记，内容来源于极客时间《数据结构与算法之美》