数据结构04：算法复杂度分析

算法复杂度分析

在前面提到了时间复杂度类似于O(1)、O(n)等，O符号的意思，大概可以理解为操作的次数和数据个数的比例关系。比如：O(1)就是有限次数操作，O(n)就是操作正比于你的元素个数。

大O表示法

考虑计算n*n矩阵所有元素的和
0 1 2
3 4 5
6 7 8

#方法一
total_sum = 0
for i in range(n):
    row_sum[i] = 0
    for j in range(n):
        row_sum[i] = row_sum[i] + matrix[i, j]
        total_sum = total_sum + matrix[i, j]
        
#方法二
total_sum = 0
for i in range(n):
    row_sum[i] = 0
    for j in range(n):
        row_sum[i] = row_sum[i] + matrix[i, j]
    total_sum = total_sum + matrix[i, j]  #注意此处和上边不同

其中，方法一的关键操作在j循环中，两步加法操作，由于嵌套在第一个循环里，其操作步骤是（2n)*n = 2n^2.
方法二的求和只有n次操作，他的操作次数是n + n * n = n^2 + n

如何计算时间复杂度

上边两个方法中，当n非常大的时候，n^2的数值将占有主要地位，从此可以忽略n的影响，因此两个方法的时间复杂度均为O(n)。

常用时间复杂度

O	名称（举例）
1	常量时间（一次赋值）
log n	对数时间（折半查找）
n	线性时间（线性查找）
nlog n	对数线性时间（快速排序）
n^2	平方（两重循环）
n^3	立方（三重循环）
2^n	指数（递归求斐波那切数列）
n！	阶乘（旅行商时间）

空间复杂度

相对时间复杂对，空间复杂度讨论较少。空间复杂度相对好算一些，就是每个元素的空间占用乘以总的元素数。
有些算法需要额外的空间存储，有些可以本地解决。

时间换空间，空间换时间

空间换时间： 比如典型的就是Python的集合，虽然比较浪费空间，但是却能用O(1)的时间复杂度来判重
时间换空间： 典型的时缓存失效算法，我们不可能缓存下无限容量的数据，就会使用一些缓存淘汰算法来保证空间可用。