1. 衡量標準
計算機通過一行行代碼去完成某個任務，實際上就是對輸入數據進行加工處理，並得到結果的過程。可見，編寫代碼的核心就是要完成計算。對於同一個計算任務，不同計算方法得到結果的過程複雜程度是不一樣的，對應的代碼運行效率也不一樣。
因此，複雜度是是衡量代碼運行效率的標準。
我們再想一想，一段代碼消耗的資源是什麼呢？
通常，代碼在執行過程中會消耗計算時間和計算空間（內存），那需要衡量的就是時間複雜度和空間複雜度。
2. 如何計算複雜度？
複雜度是一個關於輸入數據量 n 的函數。假設你的代碼複雜度是 f(n)，那麼就用個大寫字母 O 和括號，把 f(n) 括起來就可以了，即 O(f(n))。
比如，O(n) 表示的是，複雜度與計算實例的個數 n 線性相關；O(logn) 表示的是，複雜度與計算實例的個數 n 對數相關。
通常，複雜度的計算方法遵循以下幾個原則：
- 複雜度與具體的常係數無關。例如 O(n) 和 O(2n) 表示的是同樣的複雜度。
- 多項式級的複雜度相加的時候，選擇高者作爲結果。例如， O(n²+n)=O(n²)+O(n) =O(n²)。
- O(1)表示常數複雜度。即複雜度與輸入量n無關，是一個定值。
3. 時間複雜度與代碼結構的關係
從本質來看，時間複雜度與代碼的結構有着非常緊密的關係；空間複雜度與數據結構的設計有關。
下面，總結了一些代碼結構與時間複雜度的關係：
- 一個順序結構的代碼，時間複雜度是 O(1)。
- 二分查找，或者更通用地說是採用分而治之的二分策略，時間複雜度都是 O(logn)。
- 一個簡單的 for 循環，時間複雜度是 O(n)。
- 兩個順序執行的 for 循環，時間複雜度是 O(n)+O(n)=O(2n)，其實也是 O(n)。
- 兩個嵌套的 for 循環，時間複雜度是 O(n²)。
4. 優化代碼的必要性
通常在小數據集上，時間複雜度的降低在絕對處理時間上沒有太多體現。但在當今的大數據環境下，時間複雜度的優化將會帶來巨大的系統收益。
假設某個計算任務需要處理 10萬 條數據。你編寫的代碼：
- 如果是 O(n²) 的時間複雜度，那麼計算的次數就大概是 100 億次左右。
- 如果是 O(n)，那麼計算的次數就是 10萬 次左右。
- 如果是O(log n) 的複雜度，那麼計算的次數就是 17 次左右（log 100000 = 16.61，計算機通常是二分法，這裏的對數可以以 2 爲底去估計）
可見，降低時間複雜度，能大大降低計算機計算次數，從而節省了很多處理時間。
參考鏈接：https://kaiwu.lagou.com/course/courseInfo.htm?courseId=185#/detail/pc?id=3339