【源码共读】yocto-queue 一个微型队列数据结构

yocto-queue是一个微型队列的数据结构，根据作者的介绍，如果在你一个数据量很大的数组上，大量的操作Array.push和Array.shift，那么你可以考虑使用yocto-queue来替代Array。

因为Array.shift的时间复杂度是O(n)，而Queue.dequeue的时间复杂度是O(1)，这对于大量的数据来说，性能上的提升是非常明显的。

时间复杂度和空间复杂度

学习算法和数据结构的时候，我们经常会听到时间复杂度和空间复杂度，这两个概念是什么呢？

时间复杂度

时间复杂度是指一个算法执行所耗费的时间，它是一个函数，这个函数的变量是问题规模的函数；

通常会使用大O符号来表示时间复杂度，比如O(n)，O(n^2)，O(logn)等等，这就是大 O 表示法（Big O notation）。

O代表的是算法的渐进时间复杂度（asymptotic time complexity），也就是说，随着问题规模的增大，算法的执行时间的增长率和O中的函数相同，称作渐进时间复杂度。

O(1)表示算法的执行时间与问题规模无关，也就是说，不管问题规模有多大，算法执行所耗费的时间都是一样的，这种算法称为时间复杂度为常数阶的算法。

O(n)表示算法的执行时间与问题规模成正比，也就是说，随着问题规模的增大，算法执行所耗费的时间也随之增大，这种算法称为时间复杂度为线性阶的算法。

O(n^2)表示算法的执行时间与问题规模成平方比，也就是说，随着问题规模的增大，算法执行所耗费的时间呈二次方增长，这种算法称为时间复杂度为平方阶的算法。

通过上面的介绍，我们可以将O比喻成函数，O(1)就是一个常数函数，O(n)就是一个线性函数，O(n^2)就是一个平方函数，O(logn)就是一个对数函数。

说了这么多概念性的问题，不如直接来看看代码；

例如，我们有一个数组，我们要遍历这个数组，然后将数组中的每个元素都乘以2，那么我们可以这么写：

function multiplyBy2(arr) {const result = [];for (let i = 0; i < arr.length; i++) {result.push(arr[i] * 2);}return result;
} 

这段代码的时间复杂度是O(n)，因为我们遍历了数组，所以时间复杂度就是O(n)，O代表这个函数，n代表问题规模，也就是数组的长度，组合起来就是O(n)。

再直观一点，我们可以这么理解，当数组的长度为n时，我们需要执行n次循环，所以时间复杂度就是O(n)，用代码表示就是：

function O(n) {for (let i = 0; i < n; i++) {// do something}
}

O(1); // O(1)
O(2); // O(2)
O(3); // O(3)
O(n); // O(n) 

空间复杂度

空间复杂度是指一个算法执行所耗费的内存空间，它是一个函数，这个函数的变量是问题规模的函数；

和时间复杂度一样，空间复杂度也有O(1)、O(n)、O(n^2)、O(logn)等等，它们的含义和时间复杂度一样，只不过它们是表示算法执行所耗费的内存空间的增长率。

当然空间复杂度计算的不是内存消耗，而是变量的个数，例如冒泡排序的空间复杂度是O(1)，因为它只需要一个变量temp：

function bubbleSort(arr) {for (let i = 0; i < arr.length; i++