时间复杂度和“O”表示法

算法是计算机处理信息的本质，因为计算机程序本质上是一个算法来告诉计算机确切的步骤来执行一个指定的任务。算法是独立存在的一种解决问题的方法和思想，对于算法而言，实现的语言并不重要，重要的是思想。

算法的五大特性：

1、输入: 算法具有0个或多个输入

2、输出: 算法至少有1个或多个输出

3、有穷性: 算法在有限步骤之后会自动结束而不会无限循环，且每一个步骤要在可接受的时间内完成

4、确定性：算法中的每一步都有确定的含义，不会出现二义性（比如数值的相加和字符串的拼接）

5、可行性：算法的每一步都是可行的，也就是说每一步都能够执行有限的次数完成

实现算法程序的执行时间可以反应出算法的效率，即算法的优劣，但是单纯依靠运行的时间来比较算法的优劣并不一定是客观准确的！程序的运行离不开计算机环境（包括硬件和操作系统），这些客观原因会影响程序运行的速度并反应在程序的执行时间上。

我们假定计算机执行算法每一个基本操作的时间是固定的一个时间单位，那么有多少个基本操作就代表会花费多少时间单位。算然对于不同的机器环境而言，确切的单位时间是不同的，但是对于算法进行多少个基本操作（即花费多少时间单位）在规模数量级上却是相同的，由此可以忽略机器环境的影响，从客观的角度看待算法的时间效率，对于算法的时间效率，我们可以用“大O记法”来表示。

“大O记法”：

对于单调的整数函数f，如果存在一个整数函数g和实常数c>0，使得对于充分大的n总有f(n)<=c*g(n)，就说函数g是f的一个渐近函数（忽略常数），记为f(n)=O(g(n))。也就是说，在趋向无穷的极限意义下，函数f的增长速度受到函数g的约束，亦即函数f与函数g的特征相似。

时间复杂度：

假设存在函数g，使得算法A处理规模为n的问题所用时间为T(n)=O(g(n))，则称O(g(n))为算法A的渐近时间复杂度，简称时间复杂度，记为T(n)

如何理解“大O记法”

对于算法进行特别具体的细致分析虽然很好，但在实践中的实际价值有限。对于算法的时间性质和空间性质，最重要的是其数量级和趋势，这些是分析算法效率的主要部分。而计量算法基本操作数量的规模函数中那些常量因子可以忽略不计。例如，可以认为3n**2和100n**2属于同一个量级，如果两个算法处理同样规模实例的代价分别为这两个函数，就认为它们的效率“差不多”，都为n**2级。

最坏时间复杂度

分析算法时，存在几种可能的考虑：

1、·算法完成工作最少需要多少基本操作，即最优时间复杂度

2、·算法完成工作最多需要多少基本操作，即最坏时间复杂度

3、·算法完成工作平均需要多少基本操作，即平均时间复杂度

我们主要关注算法的最坏情况，亦即最坏时间复杂度。

时间复杂度的几条基本计算规则：

1.、基本操作，即只有常数项，认为其时间复杂度为O(1)

2、顺序结构，时间复杂度按加法进行计算

3.、循环结构，时间复杂度按乘法进行计算

4.、分支结构，时间复杂度取最大值

5.、判断一个算法的效率时，往往只需要关注操作数量的最高次项，其它次要项和常数项可以忽略

6.、在没有特殊说明时，我们所分析的算法的时间复杂度都是指最坏时间复杂度

常见时间复杂度：

常见时间复杂度之间的关系：

所消耗的时间从小到大：

O(1) < O(logn) < O(n) < O(nlogn) < O(n2) < O(n3) < O(2n) < O(n!) < O(nn)

测试程序的运行时间：timeit模块

下面以5种方式创建列表，对比其运行时间：