这些都是算法时空复杂度的表示。不仅仅用于表示时间复杂度，也用于表示空间复杂度。
O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。
时间复杂度由低到高排序:
O(1)
O(1)就是最低的时空复杂度了，也就是耗时/耗空间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。 哈希算法就是典型的O(1)时间复杂度，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），冲突的话很麻烦的，指向的value会做二次hash到另外一块存储区域。
O(log n)
O(log n)，当数据增大n倍时，耗时增大log n倍（这里的log是以2为底的，比如，当数据增大256 (32)倍时，耗时只增大8 (1)倍，是比线性还要低的时间复杂度）。二分查找、红黑树就是O(log n)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。
O(n)
O(n)，代表数据量增大几倍，耗时也增大几倍。
比如常见的遍历算法。
要找到一个数组里面最大的一个数，你要把n个变量都扫描一遍，操作次数为n，那么算法复杂度是O(n).
O(n log n)
O(n log n)同理，就是n乘以log n，当数据增大256 (1)倍时，耗时增大256*8=2048 (8)倍。这个复杂度高于线性低于平方。归并排序就是O(n log n)的时间复杂度。
O(n^2)
时间复杂度O(n^2) ，就代表数据量增大n倍时，耗时增大n的平方倍，这是比线性更高的时间复杂度。比如冒泡排序，就是典型的O(n^2)的算法，对n个数排序，需要扫描n×n次。
用冒泡排序排一个数组，对于n个变量的数组，需要交换变量位置次，那么算法复杂度就是O(),即O(n^2).