前段時間通過小詹隨筆分享的鏈接在極客時間購買了王爭老師的《數據結構與算法之美》的課程，小詹學長果真是一個很靠譜的學長，凡是通過他的鏈接購買的課程，之后建有微信群，相互監督學習並分享學習筆記打卡。因此，在此，為表示對小詹學長的感謝，也簡單介紹一下“小詹學Python”公眾號，小詹學長是一名雙一流高校在讀研究生，專研c++，python，主要研究圖像處理、計算機視覺和機器學習相關知識，定期帶你打卡刷leetcode，鍛煉編程能力。有興趣的可以關注他哦~~
下面就開始本次的正題啦~~
首先，我們需要明白數據結構與算法的大致概念。通俗講，數據結構就是數據的一種存儲結構，而算法就是操作這些數據的方法。數據結構為算法服務，算法作用在數據結構之上。那么，論及數據結構與算法，就離不開對時間、空間的復雜度分析了。
其次，我們為什么要進行復雜度分析呢？簡單講，那肯定是用戶體驗和對數據本身處理的優化咯。畢竟，如果數據庫里面如果有幾百萬條數據，挨個搜索查找，這樣的等待時間是會讓用戶崩潰的。所以，復雜度分析當然需要重點分析。
最后，復雜度分析包含哪幾個點呢？
空間、時間復雜度統一使用大O階表示法，所有代碼的執行時間T(n)均與數據規模成正比：T(n)=O(f(n))。
（一）時間復雜度：
時間復雜度即為運行一個程序的時間，大致可分為：多項式量級、非多項式（NP）量級。
1.多項式量級——隨着數據規模的增長，算法的執行時間和空間占用統一呈多項式規律增長：
常數階O(1)、對數階O(logn)、線性階O(n）、線性對數階O(n*logn）、冪次階（平方階O(n.^2）、立方階O(n.^3）、四次方O(n.^4）...）
2.非多項式量級——隨着數據量n的增長，時間復雜度急劇增長，執行時間無限增加：
指數階O(2.^n)、階乘階O(n!）
圖形比較就為如下：
- 下面再說說時間復雜度的計算法則：
1.單段代碼看高頻：比如循環。
2.多段代碼取最大：比如單循環+雙循環，那么就取復雜度最大的雙循環作為該程序的復雜度。
3.嵌套代碼用乘法：一個函數中嵌套另一個函數，那么他們之間的復雜度=O(f(n1)）*O(f(n2)）,例如遞歸等。
4.多個規模用加法：比如兩個參數利用了兩個循環函數，那么他們程序的復雜度O(n)=O(n1)+O(n2)。
（二）空間復雜度：
空間復雜度即占用某個存儲空間的大小，例如：
void print(int n) { int i = 0; int[] a = new int[n]; for(i;i<n;++i){ a[i] = i*i; } }
上面的空間復雜度就為O(n)了。
總體來說，時間復雜度分析較為繁瑣，需要着重掌握一下，空間復雜度就顯得較為簡單啦。