在描述算法复杂度时,经常用到o(1), o(n), o(logn), o(nlogn)来表示对应算法的时间复杂度,这是算法的时间复杂度的表示。
O后面的括号中有一个函数，指明某个算法的耗时与数据增长量之间的关系。其中的n代表输入数据的量。
| 表达式 | 说明 | 示例 |
| O(1) |
最低时间复杂度，也就是耗时与输入数据大小无关， 无论输入数据增大多少倍，耗时/耗空间都不变。 |
哈希算法(无论数据规模多大，都可以在一次计算后找到目标, 不考虑冲突的话) |
| O(n) | 数据量增大几倍，耗时也增大几倍。 | 遍历算法 |
| O(n²) | 随着样本个数的平方数增长。 | 冒泡排序、选择排序 |
| O(logn) | 当数据增大n倍时，耗时增大logn倍（这里的log是以2为底的， 比如，当数据增大256倍时，耗时只增大8倍， 是比线性还要低的时间复杂度） |
1. 二分查找就是O(logn)的算法，每找一次排除一半的可能， 256个数据中查找只要找8次就可以找到目标. 2.欧几里德算法(求最大公因数); 3.求幂; |
| O(nlogn) | n乘以logn，当数据增大256倍时，耗时增256*8=2048倍。 这个复杂度高于线性低于平方。 |
归并排序就是O(nlogn)的时间复杂度。 |
参考：https://blog.csdn.net/qq_34229351/article/details/80841482