day02数据结构与算法之美（如何分析、统计算法的执行效率和资源消耗）
复杂度分析是整个算法学习的精髓，只要掌握了它，数据结构与算法的内容基本上就掌握了一半。
一、为什么要复杂度分析
①测试结果非常依赖测试的环境；
②测试结果受数据规模的影响很大；
③掌握复杂度分析，将能编写出性能更优的代码，有利于降低系统开发和维护成本。
二、时间复杂度（渐进时间复杂度，表示算法的执行时间与数据规模之间的增长关系）分析
时间复杂度分析法则：
①只关注循环执行次数最多的一段代码；
②加法法则：总复杂度等于量级最大的那段代码的复杂度；
③乘法法则：嵌套的代码的复杂度等于嵌套内外的代码的复杂度的乘积；
复杂度量级：
| 名称 | 复杂度 |
|---|---|
| 常数阶 | O(1) |
| 对数阶 | O(logn) |
| 线性阶 | O(n) |
| 线性对数阶 | O(nlogn) |
| 平方阶 | O(n2) |
| 立方阶 | O(n3) |
| k次方阶 | O(nk) |
| 指数阶 | O(2n) |
| 阶乘阶 | O(n!) |
三、空间复杂度（表示算法的存储空间与数据规模之间的增长关系）分析
常见的空间复杂度都是O(1)、O(n)、O(n2）。
四、如何掌握好复杂度分析方法？
复杂度分析关键在于多练，所谓孰能生巧。