【算法学习】时间复杂度

在学习算法之前，要明白一个概念，叫做时间复杂度。

1. 时间复杂度的概念

在初学代码时，我们的代码每次点运行后很快就能得到结果，因此我们对于这些代码的复杂度并没有什么认识，但随着我们学习的算法越来越深入，对于一些运算量较大的场景，尤其是在学习过程中用到三重以上的循环遍历，会发现代码执行的效率非常低，因此我们要引入时间复杂度的概念。

时间复杂度是一个函数，用来描述某段代码运行所需要的时间，通常用大O表示。

2. 时间复杂度的重要性

在运行小量数据的计算算法程序时，不同时间复杂度并不会体现出较大的差别，而随着运算量的提升， 不同时间复杂度的代码会使代码运行时间有数量级级别的差别。

3. 时间复杂度的计算

1. 某单个计算，如下，时间复杂度为O(1)：

x = 1

2. 循环遍历中，单层循环遍历，时间复杂度为O(n)，此时的就是列表的长度 n = length(list1) = 3

list1 = [1, 2, 3]
for i in list1:
    print(i)

3. 在多重循环遍历中，有m重循环，时间复杂度就是O(n^m)，下面这个代码中，是两层循环，时间复杂度就是O(n^2)

list1 = [1, 2, 3]
list2 = [1, 2, 3, 4]
for i in list1:
    for j in list2:
        print(i + j)

4. 在树算法中，常常通过一个判断就会排除掉其中一半的选项，类似数学上的二分法，时间复杂度就是O(log2(n))。

5. 多重算法中，包含一个三重遍历，单遍历，此时的时间复杂度为O(n^3+n^2+n)，但随着运算数据量的增大，我们会选择只保留优先级最高的那个。

时间复杂度优先级排序：O(1) < O(logn) < O(n) < O(nlogn) < O(n^2) < O(n^3) < O(2^n) < O(n!) < O(n^n)，也就是随着运算数据量n的增大，消耗时间的排序。