数据结构与算法的本身解决的是“快”和“省”的问题。节省空间，且运行效率快，今天我们通过复杂度分析来考量代码的执行效率，复杂度又分为时间复杂度和空间复杂度两大类。
1. 什么是事后统计法
事后统计法：通过运用工具监控的代码运行的方法，统计代码的执行时间和占用空间。这种方法无法真实的反应代码的性能。
局限性
1. 1 测试结果非常依赖测试环境
受硬件的影响运行环境影响，不同的处理器的性能对运行相同的代码，执行效率可能不同。
1.2 测试结果受数据规模影响大
数据规模越大，例如对一系列数字排序，当数据规模增大时，不同的排序算法执行效率不同。比如小规模的数据排序，插入排序比快速排序要快。
2. 什么是时间复杂度
时间复杂度又叫渐进时间复杂度，它是当前代码运行所消耗的时间
我们粗略的认为执行每一行代码是一个时间单位，且每行运行代码的速率相同。
常见间复杂度:O(1),O(logn),O(n),O(n²),O(2^n),O(n!)
2.1 时间复杂度 ：O(1)
System.out.println("1");
System.out.println("2");
System.out.println("3");
System.out.println("4");
System.out.println("5");
上述代码执行的时间是5个时间单位，是一个常数，所以时间复杂度为 O(1)。
2.2 时间复杂度 ：O(n)
for(int i=1;i<=n;i++){
System.out.println("输出结果为" +i);
}
这段代码的执行时间单位和 n 有关系，执行了n 个时间单位 ，所以时间复杂度为O(n)
2.3 时间复杂度 ：O(n²)
for(int i=1;i<=n;i++){
for (int j = 0; j <i ; j++) {
System.out.println( "输出结果为" + j);
}
}
这段代码有两个for循环，外部循环运行 n 次 ，内部循环则运行 n² 个时间单位，当n足够大时，我们可以忽略外部循环的次数，所以时间复杂度为 O(n²) ，我们可以简单的认为，总的时间复杂度就等于量级最大的那段代码的时间复杂度。 也可以得出嵌套循环代码的时间复杂度为 外部循环时间复杂度乘以内部循环时间复杂度。
2.4 时间复杂度 ：O(logn)
i=1;
while (i <= n) {
i = i * 2;
}
每循环一次，i的值扩大原来的2倍 ，所以 2^x=n ,则x=log2n，所以时间复杂度为 O(log2n) ，如果i的值扩大原来的3倍？4倍？那时间复杂度分别是O(log3n)，O(log4n)，我们可以忽略对数底的要求，对数阶的时间复杂度统一为O(logn)。
2.5 常见的时间复杂度还有
- 最好情况时间复杂度（best case time complexity）
- 最坏情况时间复杂度（worst case time complexity）
- 平均情况时间复杂度（average case time complexity）
- 均摊时间复杂度（amortized time complexity）
3. 什么是空间复杂度
空间复杂度又叫渐进空间复杂度。表示当前代码运行所占用的最大空间。
我们常见的空间复杂度就是 O(1)、O(n)、O(n2)，且 O(logn)、O(nlogn) 这样的对数阶复杂度基本不用。
渐进时间和空间复杂度只是提供一个粗略的分析模型，重点是在我们编程中分析。当然即使再好的算法，在不同的运行环境中效率还是有差别的，好的算法，如果处理器不行还是不行，坏的算法，运行在处理器快的环境中不一定慢，但是好的处理器，好的算法，那肯定快。当然这和数据规模也有一定的联系。
