时间复杂度o(1), o(n), o(logn), o(nlogn)简介

        一般在描述算法的效率时候，常会通过时间复杂度o(?)去评判一个算法的优劣，以此来判断算法的优先级、效率。这个东西也就面试的时候谈到哈希表o(1)及算法可以聊一聊，有时间可以了解一下。

       下面简单介绍几个常见的时间复杂度，按照时间复杂度高低排序：

        O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。 

       O(n^2)：代表数据量增大n倍时，耗时增大n的平方倍，这是比线性更高的时间复杂度。比如冒泡排序，就是典型的O(n^2)的算法，对n个数排序，需要扫描n×n次。 （比线性更高）

       O(nlogn)：代表n乘以logn，当数据增大256倍时，耗时增大256*8=2048倍。这个复杂度高于线性低于平方。归并排序（快速排序也是）就是O(nlogn)的时间复杂度。（高于线性低于平方）

       O(n)：代表数据量增大几倍，耗时也增大几倍。比如常见的遍历算法。 (线性)

      O(logn)：当数据增大n倍时，耗时增大logn倍（这里的log是以2为底的，比如，当数据增大256倍时，耗时只增大8倍，是比线性还要低的时间复杂度）。二分查找就是O(logn)的算法，每找一次排除一半的可能，256个数据中查找只要找8次就可以找到目标。 （比线性低）

      O(1)：就是最低的时空复杂度了，也就是耗时/耗空间与输入数据大小无关，无论输入数据增大多少倍，耗时/耗空间都不变。 哈希算法就是典型的O(1)时间复杂度，无论数据规模多大，都可以在一次计算后找到目标（不考虑冲突的话）冲突的话很麻烦的，指向的value会做二次hash到另外一快存储区域（最低）

总之，
在平均情况下，快速排序最快；
在最好情况下，插入排序和起泡排序最快；
在最坏情况下，堆排序和归并排序最快。