目录：
一、算法效率：
1、我们如何衡量一个算法的好与坏：
2、算法效率：
二、时间复杂度：
1、概念：
2、大O的渐进表示法：
3、推导大O渐进方法：
4、时间复杂度的举例：
三、空间复杂度：
1、概念：
2、计算实例：
四、常见的复杂度：
总结：
一、算法效率：
1、我们如何衡量一个算法的好与坏：
对于这个问题，我们需要考虑两个方面的问题：时间 和 空间。这两个方面，当这两个方面都是很好的时候呢，我们的算法就是一个好的算法了。那么我们来看看什么是时间什么又是空间呢？
2、算法效率：
对于我们分析我们的算法效率是我们要分析两个方面：时间效率 和 空间效率 。
时间效率：
也可被称为时间复杂度，时间复杂度主要衡量的是一个算法的运行速度。
空间效率：
也可被称为空间复杂度，空间复杂度主要衡量的是一个算法所需要的额外的空间。
二、时间复杂度：
1、概念：
在计算机中，算法的时间复杂度是一个数学函数，其定量的描述了算法的执行时间。
其实对于程序运行的时间呢，理论上我们是算不出来的，只能等待其运行的时候我们才能知道，但是呢，我们要是每一次都要执行程序才能把时间复杂度算出来的话，那么是非常的麻烦的。所以呢我们有了能大概算出时间复杂度的方法。
一个算法所需要的时间与语句的执行次数成正比，算法中的基本操作的实行次数，就为时间复杂度。
2、大O的渐进表示法：
就假如我们的N是10000的话，那么是不是对于整体来说我们的 2*N 和 10 就是一个非常小的数，所以在我们计算时间复杂度的时候呢，我们其实不一定需要精准的计算，而我们只需要取得最大的结过即可，这里我们使用大O的渐进法。
大O符号：是用于描述渐进行为的数学符号。
3、推导大O渐进方法：
对于我们大O渐进方法我们要注意三点：
1、用常数 1 取代运行时间中的所有加法常数。
2、在修改后的运行次数中，只保留最高项。
3、如果做高阶存在并且不是 1 ，则除去与这个项目相乘的常数
这之后得到的就是大O阶。
比如我们上面的func的那个例子：
没变化之间 F(N) = N^2 + N*2 +10
我们变化之后为：F(N) = N^2
由此可知我们的大O渐进法去除了那些对结果影响不大的项，简介表示了执行次数
对于有些的时间复杂度存在 最坏的、最好的和平均的情况。
最坏的情况：
任意输入规模的最大运行次数（上界）
最好的情况：
任意输入规模的最小的运行次数（下界）
平均的情况：
任意输入规模的期望运行次数
虽然呢，我们有这三种情况，但是呢在实际情况中呢，我们只是关注最坏的情况
4、时间复杂度的举例：
1、
2、
3、
4、
5、
我们在Java中呢，我们的logN 是log以2为底的N。
6、
对于这个递归代码来说呢。
我们有一个公式：递归代码的时间复杂度 = 递归的次数 * 每次递归执行的次数
我们来分析一下图片中的代码：
我们每次递归呢所执行的代码都是判断 N < 2 这个代码，所以我们可以把每次递归执行的次数看为 1 ，我们递归的次数是N所以我们最终的递归的时间复杂度为：O(N)
我们把时间复杂度了解了之后呢，接下来我们来了解一下什么是空间复杂度。
三、空间复杂度：
1、概念：
空间复杂度是对一个算在运行过程中法临时占用存储空间的量。
我们要记住的是，对于空间复杂度来说，其不是计算占用了多少的byte个数，而是计算的变量的个数。
计算空间复杂度的规则和计算时间复杂度差不多，都是使用大O的渐进法计算的。
2、计算实例：
（1）、
我们来看看上面的冒泡排序的空间复杂度：
（2）、
我们再来看看我们上面的递归的例子：
四、常见的复杂度：
O(1) < O(logN) < O(N) < O(N*logN) < O(N^2)
这是我们会常见的复杂度，这是他们之间的大小关系。
总结：
OK，我们这次的博客分享就到这里了，让我们下次再见，对于时间复杂度和空间复杂度在数据结构中是很重要的，所以我们要尽量的去理解。拜拜~~
