【算法复杂度——时间复杂度-Python】算法时间复杂度的详细介绍

根据定义，时间复杂度指输入数据大小为 N 时，算法运行所需花费的时间。需要注意：

1. 统计的是算法的「计算操作数量」，而不是「运行的绝对时间」。计算操作数量和运行绝对时间呈正相关关系，并不相等。算法运行时间受到「编程语言 、计算机处理器速度、运行环境」等多种因素影响。例如，同样的算法使用 Python 或 C++ 实现、使用 CPU 或 GPU 、使用本地 IDE 或力扣平台提交，运行时间都不同。
2. 体现的是计算操作随数据大小 N 变化时的变化情况。假设算法运行总共需要「 1 次操作」、「 100 次操作」，此两情况的时间复杂度都为常数级 O(1) ；需要「 N 次操作」、「 100N 次操作」的时间复杂度都为 O(N)。

根据输入数据的特点，时间复杂度具有「最差」、「平均」、「最佳」三种情况，分别使用 O, Θ, Ω 三种符号表示。以下借助一个查找算法的示例题目帮助理解。
题目： 输入长度为 N 的整数数组 nums ，判断此数组中是否有数字7，若有则返回 true ，否则返回 false。
解题算法： 线性查找，即遍历整个数组，遇到 7 则返回 true 。
Python代码：

• 最佳情况 Ω(1) ： nums = [7, a, b, c, …] ，即当数组首个数字为 7 时，无论 nums 有多少元素，线性查找的循环次数都为 1 次；
• 最差情况 O(N) ： nums = [a, b, c, …] 且 nums 中所有数字都不为 7 ，此时线性查找会遍历整个数组，循环 N 次；
• 平均情况 Θ ： 需要考虑输入数据的分布情况，计算所有数据情况下的平均时间复杂度；例如本题目，需要考虑数组长度、数组元素的取值范围等；

大 O 是最常使用的时间复杂度评价渐进符号，下文示例与本 LeetBook 题目解析皆使用 O 。

根据从小到大排列，常见的算法时间复杂度主要有：

对于以下所有示例，设输入数据大小为 N ，计算操作数量为 count 。图中每个「蓝色方块」代表一个单元计算操作。

常数 O(1) ：

运行次数与 N 大小呈常数关系，即不随输入数据大小 N 的变化而变化。

对于以下代码，无论 a 取多大，都与输入数据大小 N 无关，因此时间复杂度仍为 O(1) 。

线性 O(N)：

循环运行次数与N大小呈线性关系，时间复杂度为O(N)。

对于以下代码，虽然是两层循环，但第二层与N大小无关，因此整体仍与N呈线性关系。

平方 O(N ²)：

两层循环相互独立，都与N呈线性关系，因此总体与N呈平方关系，时间复杂度为O(N ²)。

以冒泡排序为例，其包含两层独立循环：

1. 第一层复杂度为O (N)；
2. 第二层平均循环次数为N/2，复杂度为O(N )，推导过程如下：
   O(N/2) = O(1/2)O(N) = O(1)O(N) = O(N)
   因此，冒泡排序的总体时间复杂度为O(N ²)，代码如下所示：

指数 O(2^N)：

生物学科中的“细胞分裂”即是指数级增长。初始状态为1个细胞，分裂一轮后为2个，分裂两轮后为4个，……，分裂N轮后有2^N个细胞。
算法中，指数阶常出现与递归，算法原理图与代码如下所示：

阶乘 O(N !)：

阶乘阶对应数学上常见的“全排列”。即给定N个互不重复的元素，求其所有可能的排列方案，则方案数量为：
N×(N−1)×(N−2)×⋯×2×1=N !
如下图与代码所示，阶乘常使用递归实现，算法原理：第一层分裂出N个，第二层分裂出N-1个，……，直至到第N层时终止并回溯。

对数 O(logN)：

对数阶与指数阶相反，指数阶为“每轮分裂出两倍的情况”，而对数阶是“每轮排除一半的情况”。对数阶常出现于二分法、分治等算法中， 体现着“一分为二”或“一分为多”的算法思想。
设循环次数为m，则输入数据大小N与2^m呈线性关系，两边同时取log₂对数，则得到循环次数m与log₂N呈线性关系，即时间复杂度为O(logN)。

如以下代码所示，对于不同 a 的取值，循环次数 m 与 log_a N 呈线性关系 ，时间复杂度为 O(loga N)。而无论底数 a 取值，时间复杂度都可记作 O(logN) ，根据对数换底公式的推导如下：

O(log_a N) = O(log₂ N)/O(log₂ a) = O(log N)

线性对数 O(N log N)：

两层循环相互独立，第一层和第二层时间复杂度分别为 O(log N) 和 O(N) ，则总体时间复杂度为 O(N logN) ；