前言

不知前面所讲的算法的十大特征你是否记住了呢？其实除了这十大特征之外，算法还有两个衡量标准。
不同的问题需要使用不同的算法作为策略，不同的算法也可能占用不同的时间和空间来完成相同的任务，这时候，对算法的选择显得至关重要。一个算法的质量优劣将直接影响整个程序的运行效率。
算法分析的目的是选择合适的算法，并对算法进行改进。如何衡量一个算法的优劣呢？其标准是空间复杂度（Space Complexity）与时间复杂度（Time Complexity）。

什么是空间复杂度

一个算法所占用的存储空间包括三个方面：算法本身所占用的空间、输入/输出数据所占用的空间，以及算法运行所占用的空间。

1.算法本身所占用的空间

算法本身所占用的空间即程序代码区，用于存放算法程序的二进制代码，与程序的代码行数和各行长度相关。例如以下两段代码，它们实现的功能是一样的，但代码1所占用的空间明显比代码2要多一些。

代码1

#输出1~10中3的倍数
#定义test函数：输入任何列表，返回列表中3的所有倍数

def test(x):
    list1 = []
    for i in x:
        if i % 3 == 0: # %是取余运算
            list1.append(i)
    return list1

#调用test函数计算1~10中3的倍数
print(test(list(range(1,10))))

输出结果

代码2

#使用lambda函数
print(list(filter(lambda x: x % 3 == 0 ,range(1,10))))

输出结果

注意

由于算法本身所占用的空间很小，所以我们一般不做深究。

2. 输入/输出数据所占用的空间

输入/输出数据所占用的空间主要是指问题所调用的数据所占用的空间，跟算法没有关系。

3. 算法运行所占用的空间

算法运行所占用的空间就反映算法的空间复杂度，它是算法运行时所消耗的内存空间的量度，记作：
$$S(n)=O(f(n))$$
常见的空间复杂度有 O（1）、0（n）和 $$O（n^2）$$等。
它们分别代表什么意思呢？很简单，当算法运行时占用的临时空间不随某一变量n的改变而改变时，即空间复杂度为常量，表示为 O(1)。同理，当算法运行时占用的临时空间随n的改变而改变时，空间复杂度即O(n)；当算法运行时占用的临时空间随n^2的改变而改变时，空间复杂度则为 $$O（n^2）$$以此类推。

用代码来表示空间复杂度，这对于 Python 来说简直太容易了。

注意

空间复杂度是算法运行时所占用空间的一个量度，而不是计算具体的占用空间。