03-复杂度分析（上）：如何分析、统计算法的执行效率和资源消耗

ps：极客时间，数据结构和算法之美的个人总结
复杂度分析是算法的精髓，掌握了复杂度分析，算法的内容算了掌握一半。

一.为什么需要复杂度分析

事后统计法的缺陷

• 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
  因此需要一个不依赖具体数据来测试，能粗略估计算法执行效率的方法。

二. 大O复杂度表示法

不代表真正的执行时间，而是执行时间随数据规模增长的变化趋势，也叫时间复杂度。

三. 时间复杂度分析

• 只关注执行循环最多的一段代码，忽略低阶，常量和系数。
• 加法法则，总复杂度等于量级最复杂那段代码的复杂度。
• 乘法法则，嵌套代码的复杂度等于内外嵌套复杂度的乘积。
• 多个数据规模求加法

四.常见的复杂度

五.空间复杂度分析

• 时间复杂度的全称是渐进时间复杂度，表示算法的执行时间与数据规模之间的增长关系。
• 空间复杂度全称就是渐进空间复杂度（asymptotic space complexity），表示算法的存储空间与数据规模之间的增长关系。

常见的空间复杂度就是O(1)、O(n)、O(n2 )，像O(logn)、O(nlogn)这样的对数阶复杂度平时都用不到。

复杂度趋势图：