法复杂度 概念
在描述算法复杂度时候，经常用到O(1),O(n),O(logn),O(nlogn) 来表示对应复杂度程度, 不过目前大家默认也通过这几个方式表示空间复杂度 。
那么，O(1), O(n), O(logn), O(nlogn)就可以看作既可表示算法复杂度，也可以表示空间复杂度。
大O加上（）的形式，里面其实包裹的是一个函数f(),O（f()）,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。
| 类型 | 意义 | 举例 |
|---|---|---|
| O(1) | 最低复杂度，常量值，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） |
| O(n) | 数据量增大几倍，耗时也增大几倍 | 遍历算法 |
| O（n * 2） | 对n个数排序，需要扫描n*n次 | 冒泡排序 |
| O(logn) | 当数据增大n倍时候，耗时增大logn 倍（这里的log是义2为底的，当数据增大256倍的时候，耗时只增大8倍） | 二分查找就是O(logn)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次就可以找到目标了 |
| O(nlogn) | 就是n乘以 logn,当数据增大256倍时候，耗时增大256*8=2048倍，这个复杂度高于线性低于平方，归并排序就是O(nlogn)的时间复杂度 | |
| ### 经典例子 |
