時間復雜度是一個函數，它定量描述了該算法的運行時間。
常見的時間復雜度有以下幾種。
1，log(2)n，n，n log(2)n ，n的平方，n的三次方，2的n次方，n!
1指的是常數。即，無論算法的輸入n是多大，都不會影響到算法的運行時間。這種是最優的算法。而n！（階乘）是非常差的算法。當n變大時，算法所需的時間是不可接受的。
用通俗的話來描述，我們假設n=1所需的時間為1秒。那么當n = 10，000時。
- O（1）的算法需要1秒執行完畢。
- O（n）的算法需要10，000秒 ≈ 2.7小時 執行完畢。
- O（n2）的算法需要100，000，000秒 ≈ 3.17年 執行完畢。
- O（n！）的算法需要XXXXXXXX(系統的計算器已經算不出來了)。
可見算法的時間復雜度影響有多大。
假如一張表有一億條數據 ，需要查找其中某一條數據，按照常規邏輯，一條一條的去匹配的話，最壞的情況下需要匹配一億次才能得到結果，用大O標記法就是O(n)最壞時間復雜度。
這是無法接受的，而且這一億條數據顯然不能一次性讀入內存供程序使用， 因此，這一億次匹配在不經緩存優化的情況下就是一億次IO開銷，以現在磁盤的IO能力和CPU的運算能力，有可能需要幾個月才能得出結果 。
如果把這張表轉換成平衡樹結構（一棵非常茂盛和節點非常多的樹），
(圖示:該樹只有三個節點)
假設這棵樹有10層，那么只需要10次IO開銷就能查找到所需要的數據， 速度以指數級別提升，用大O標記法就是O(log n)，n是記錄總樹，底數是樹的分叉數，結果就是樹的層次數。換言之，查找次數是以樹的分叉數為底，記錄總數的對數，用公式來表示就是
\[\log_{樹的分叉數}{記錄總數} = 查找次數 \]
用程序來表示就是Math.Log(100000000,10)，100000000是記錄數，10是樹的分叉數（真實環境下分叉數遠不止10）， 結果就是查找次數，這里的結果從億降到了個位數。因此，利用索引會使數據庫查詢有驚人的性能提升。