day2-算法的时间复杂度和空间复杂度

算法时间复杂度

一、什么是时间复杂度

描述算法的运行时间，常用大O符号表述，表示算法的执行时间和算法的输入值之间的关系

例如：

def aFunc(n):
    sum = 0
    for i in range(n):  # 执行时间a
        sum += i  # 执行时间b
    return sum  # 执行时间c

总共执行时间：a+n*b+c
只保留最高次项，也不关心系数，所以这个的时间复杂度是$O(n)$

常见的时间复杂度高低排序：$O(1)$<$O(logn)$<$O(n)$<$O(nlogn)$<$O(n^2)$<$O(n^3)$<$O(2^n)$<$O(n!)$

常见时间复杂度分析：

(1)常数阶$O(1)$
$O(1)$，表示该算法的执行时间（或执行时占用空间）总是为一个常量，不论输入的数据集是大是小，只要是没有循环等复杂结构，那这个代码的时间复杂度就都是$O(1)$，如：

i = 1
j = 2
print('Hello World')

上述代码在执行的时候，它消耗的时候并不随着某个变量的增长而增长，那么无论这类代码有多长，即使有几万几十万行，都可以用$O(1)$来表示它的时间复杂度

(2)线性阶$O(n)$
$O(n)$，表示一个算法的性能会随着输入数据的大小变化而线性变化，如:

for i in range(n): 
    print('Hello world')

这段代码，for循环里面的代码会执行n遍，因此它消耗的时间是随着n的变化而变化的，因此这类代码都可以用$O(n)$来表示它的时间复杂度

(3)平方阶$O(n^2)$
$O(n)$ 表示一个算法的性能将会随着输入数据的增长而呈现出二次增长。最常见的就是对输入数据进行嵌套循环。如果嵌套层级不断深入的话，算法的性能将会变为立方阶$O(n3)$，$O(n4)$，$O(n^k)$以此类推

for i in range(n):  # O(n^2)
    for j in range(n):
        print('Hello world')

(4)指数阶$O(2^n)$
$O(2^n)$，表示一个算法的性能会随着输入数据的每次增加而增大两倍，典型的方法就是裴波那契数列的递归计算实现

n = 6
def fib(n):
    if n<2:return n
    return fib(n-1)+fib(n-2)
print('斐波拉契',n,'为：',fib(n))

(5)对数阶$O(logn)$

def Ologn(num):
    i = 1
    while(i < num):
        i = i * 2
    return i

因为每次count*2后，距离结束循环更近了。也就是说有多少个2 相乘后大于n，退出循环。

数学公式：$2^x$ = n --> x = $log2n$

因此这个循环的时间复杂度为$O(logn)$

(6)线性对数阶$O(nlogn)$
线性对数阶$O(nlogn)$ ，就是将时间复杂度为对数阶$O(logn)$的代码循环n遍的话，那么它的时间复杂度就是 n * $O(logn)$，也就是了$O(nlogn)$

二、什么是空间复杂度

是对一个算法在运行过程中临时占用存储空间大小的量度，是算法的存储空间与输入值之间的关系

常见空间复杂度分析：
一般看变量变量类型或者有无递归
(1)$O(1)$
定义一个或多个变量，空间复杂度都是为1

def test(n):
    sum = 0
    for i in range(n):
        sum += i
    return sum

(2)$O(n)$

def test(nums):
    array = []
    for num in nums:
        array.append(num)
    return array

列表的空间复杂度为列表的长度
如果代码开了数组，则为数组长度
如果有递归，则为递归深度
如果有数组有递归，取最大值

三、总结

一般我们写算法，时间复杂度和空间复杂度只能二选一，有时拿时间换空间，有时空间换时间。
面试：告诉面试官时间最优和空间最优
工作：一般选时间最优