1、数据结构——时间复杂度和空间复杂度

时间复杂度

时间复杂度是判断算法运算效率的式子,是用来表示算法速度快慢的一个式子

# 时间复杂度O(1)
print("Hello World")   

# 时间复杂度O(n)
for i in range(n):
	print("Hello World")

# 时间复杂度O(n^2)
for i in range(n):
	for j in range(n):
		print("Hello World")

# 时间复杂度O(n^3)
for i in range(n):
	for j in range(n):
		for k in range(n):
			print("Hello World")

对于时间复杂度O里面的1、n、n^2...，其实我们可以理解为一个单位，并且时间复杂度是一个约数，而不是一个精确的数值。

# 下面两行代码的时间复杂度依旧是O(1)
print("Hello World")
print("Jv Jv Boy")

# 下面代码的时间复杂度依旧为O(n^2),而不是O(n^2+n)
for i in range(n):
	print("Hello World")
	for j in range(n):
		print("Hello World")

常用的时间复杂度单位还有O(log2n)，对应出现的情况即为减半情形。

# 下面为时间复杂度为O(log2n)
n=128
while n>1:
	print("Hello World")
	n//2

快速判断算法复杂度（简单情况）：
1、确定问题规模n
2、循环减半过程—>logn
3、k层关于n的循环—>n^k
复杂过程通过算法执行过程进行判断

总结：
1、时间复杂度越高，算法运算的速度就会越慢，一般情况我们优先选择时间复杂度低的代码
2、常见时间复杂度排列顺序：O(1)<O(logn)<O(n)<O(nlogn)<O(n²)<O(n²logn)<O(n³)
3、常见的时间复杂度：O(n!) O(2ⁿ) O(nⁿ)

空间复杂度

空间复杂度是用来评估算法内存占用大小的式子
且空间复杂度的表大方式与时间复杂度的计算方式一致
	几个变量：O(1)
	使用了长度为n的一维列表：O(n)
	使用m行n列的二维列表：O(mn)

为了让代码跑的更快，我们经常用“空间换取时间”的方式。