由於平時接觸算法比較少，今天看資料看到了o(1)，都不知道是什麼意思，百度之後才知道是什麼意思。
描述算法複雜度時,常用o(1), o(n), o(logn), o(nlogn)表示對應算法的時間複雜度，是算法的時空複雜度的表示。不僅僅用於表示時間複雜度，也用於表示空間複雜度。
O後面的括號中有一個函數，指明某個算法的耗時/耗空間與數據增長量之間的關係。其中的n代表輸入數據的量。
比如時間複雜度爲O(n)，就代表數據量增大幾倍，耗時也增大幾倍。比如常見的遍歷算法。再比如時間複雜度O(n2)，就代表數據量增大n倍時，耗時增大n的平方倍，這是比線性更高的時間複雜度。比如冒泡排序，就是典型的O(n2)的算法，對n個數排序，需要掃描n×n次。
再比如O(logn)，當數據增大n倍時，耗時增大logn倍（這裏的log是以2爲底的，比如，當數據增大256倍時，耗時只增大8倍，是比線性還要低的時間複雜度）。二分查找就是O(logn)的算法，每找一次排除一半的可能，256個數據中查找只要找8次就可以找到目標。
O(nlogn)同理，就是n乘以logn，當數據增大256倍時，耗時增大256*8=2048倍。這個複雜度高於線性低於平方。歸併排序就是O(nlogn)的時間複雜度。
O(1)就是最低的時空複雜度了，也就是耗時/耗空間與輸入數據大小無關，無論輸入數據增大多少倍，耗時/耗空間都不變。 哈希算法就是典型的O(1)時間複雜度，無論數據規模多大，都可以在一次計算後找到目標（不考慮衝突的話）
原文鏈接：https://blog.csdn.net/Yanzudada/article/details/101679003