学习数据结构的笔记——时间、空间复杂度

知识总结：

1.数据结构非常重要，在校园的招聘笔试中经常出现，这关乎一份好的offer

2.重要的学习方法，力扣的算法题，

3..递归的时间复杂度 = 递归次数*每次递归函数中次数

递归的空间复杂度 = 递归的深度

4.O（N）是一种数学符号，用来描述函数渐进行为

5.时间复杂度是程序运行的大概次数

6.空间复杂度是程序变量的个数

一、简单的介绍一下数据结构的重要性

1.什么是数据结构

数据结构(Data Structure)是计算机存储、组织数据的方式，指相互之间存在一种或多种特定关系的数据元素的集合。

对我而言，数据结构的学习就像是我们在学习建造各种使用方式不同的粮仓，当然这是我的一种理解。。

2.如何学习数据结构

数据结构是针对程序员的，相对非专业的人来说，他们不需要去了解数据结构，所以这也是我们在与其他程序员的对比项也是加分项。

在学校时，老师也常说这是一种思维，我们是可以不断的练习来强化我们的，所以多大佬的书籍会让我们受益匪浅的，多于其它的同学或老师讨论我们也许或找到新的思路，多做训练题会让我们在遇见算法和编程题时有更加宽阔的思维和方法。

总结：1.多读书 2.多请教 3.多做题

二、时间复杂度——算法中的基本操作的执行次数

相对与女同学我觉得男生会更好的理解时间复杂度，它是用来衡量一个算法的性能的方法，所以相对所有的算法运行他必须时公平的，而计算机的运行快慢的影响因素太多，有平台的限制，处理器的好坏，运行内存的大小等，并且一个程序的运行耗费的时间目前是无法计算的，只有正式的运行才能确定时间的长短，但事实上文明很难会一 一测量。

所以才有了时间复杂度这个分析方式。一个算法所花费的时间与其中语句的执行次数成正比例，算法中的基本操作的执行次数，为算法的时间复杂度。

注意的要点：

1.实际中我们计算时间复杂度时，我们其实并不一定要计算精确的执行次数，而只需要大概执行次数.

2.用常数1取代运行时间中的所有加法常数

3.在修改后的运行次数函数中，只保留最高阶项

4.如果最高阶项存在且不是1，则去除与这个项目相乘的常数。得到的结果就是大O阶。

5.最坏情况：任意输入规模的最大运行次数(上界)

平均情况：任意输入规模的期望运行次数

最好情况：任意输入规模的最小运行次数(下界)

6.实际中一般情况关注的是算法的最坏运行情况

7.递归函数的时间复杂度= 递归次数*每次递归函数中次数

例：

1.它的执行次数是n*n，所以它的时间复杂度为O（n*n）

 

2.他的时间复杂度是O（N），系数可以化为1

 

3.他的时间复杂度是O（M+N），M与N的大小我们是未知的，不能确定谁的影响更大，所以都留下

 

4.他的时间复杂度是O（1），已知常数的时间复杂都是1

 

5.他的时间复杂度是O（N），相对算法的时间复杂度，我们选择的是最坏情况

 

三、空间复杂度——变量占用存储空间大小的量度

随着计算机内存的不断增大，限制算法的可能性越来越小，空间复杂度，相对时间复杂度的重要性，空间复杂度在未来的考察不占更大的比重

例：

1.他的空间复杂度是O（1），对数组进行排序，没有新开辟变量空间 

2.他的空间复杂度是O（N），开辟的内存大小是未知的，所以我们按照最坏情况

 

3.他的空间复杂度是O（N），递归的空间复杂度 = 递归的深度