算法复杂度怎么比较
写程序时，经常遇到多个算法都能解决问题的情况。比如排序，你可以用冒泡排序，也可以用快速排序。表面上看结果都一样，但处理一万条数据时，一个卡成幻灯片，一个唰一下就完事。这时候就得看算法复杂度。
什么是算法复杂度
算法复杂度主要看两样：时间复杂度和空间复杂度。时间复杂度说的是算法执行需要多少时间，空间复杂度说的是需要占用多少内存。一般我们更关心时间，毕竟用户不想等。
复杂度通常用大 O 符号表示，比如 O(n)、O(n²)、O(log n)。这个 O 后面的表达式反映的是随着输入数据量 n 增大时，算法耗时或耗空间的增长趋势。
怎么横向比较复杂度
比如你有两个算法：一个循环套循环，另一个只用一层循环。前者是 O(n²)，后者是 O(n)。当数据量小的时候，可能差别不大，10 个数，n² 也就 100 次操作。但数据涨到一万，O(n²) 就要一亿次操作，O(n) 只要一万次，差距立马拉开。
常见复杂度从快到慢大致是：
O(1) < O(log n) < O(n) < O(n log n) < O(n²) < O(2ⁿ) < O(n!)
比如二分查找是 O(log n)，遍历数组是 O(n)，全排列是 O(n!)，后者在 n 大一点时基本没法用。
结合实际场景判断
有时候理论复杂度低的算法，实际跑起来不一定最快。比如归并排序是 O(n log n)，插入排序是 O(n²)，但当数据量很小（比如小于 10），插入排序反而更快，因为它的常数项小，逻辑简单。
再比如哈希表查找是 O(1)，听起来无敌，但如果哈希冲突严重，退化成链表，实际变成 O(n)。这时候你以为捡了便宜，其实踩了坑。
别光看时间，也看看空间
有些算法省时间但吃内存。比如动态规划，常常拿空间换时间。如果你在嵌入式设备上跑程序，内存只有几 MB，那即使算法再快，开一堆数组也可能直接崩掉。
比如递归实现斐波那契数列，时间复杂度是 O(2ⁿ)，慢得离谱，还容易栈溢出。改成递推 + 数组缓存，能压到 O(n)，但用了额外 O(n) 空间。如果限制空间，还得进一步优化成只存前两个值，把空间压到 O(1)。
动手测一把更靠谱
理论分析完，最好实际跑一跑。写个小脚本，生成不同规模的数据，记录每个算法的执行时间。
import time
def test_algorithm(func, data):
start = time.time()
func(data)
end = time.time()
print(f"耗时: {end - start:.4f} 秒")这样你能看到真实表现，尤其是当算法涉及文件读写、网络请求、缓存命中这些理论不好覆盖的因素时。
算法复杂度不是死数字，而是帮你判断“什么时候该换方案”的指南针。别死记 O 是多少，关键看它在你的数据规模和硬件条件下，到底能不能扛住。”,"seo_title":"算法复杂度怎么比较 - 汇知百科","seo_description":"了解如何比较算法的时间与空间复杂度，通过大O符号和实际场景判断最优解，避免性能瓶颈。","keywords":"算法复杂度,时间复杂度,空间复杂度,大O符号,算法性能比较,O(n),O(n²)"}