其实，时间复杂度和空间复杂度就是衡量一个算法好坏的标准，比如我们平时买苹果，肯定最想买到最便宜而又最甜的苹果，苹果甜不甜，吃一口，味觉就会给我们一个最直观的感受，去对比两个苹果哪个更甜，时间复杂度和空间复杂度就是干这事的，名字不同，目的一样，就是去判断算法好坏程度的。
那说一说什么是算法，大家都一定听过高斯小时侯的故事吧，高斯四五年级的时候，高斯的数学老师给高斯出了一道题，让他从1加到100，高斯的老师以为他会老老实实的一个数一个数的去加，没想到高斯思维敏捷，用了等差数列的方法，先把1和100相加等于101，2和99相加等于101，100个数共有50组101，50乘以101等于5050，高斯很快就算出来了，确实很聪明啊。这其中就设计到算法的问题，一个数一个数去加可以算法出来，但是速度很慢，等差数列可以很快高效的算出来，还是那个道理，大家肯定都喜欢吃甜的苹果，喜欢好的算法。
所以我们在写代码的时候，目标就是写出运行速度快，占用空间小的代码，这样的代码就是理想型的代码。T(n)便是记录时间复杂度的标志，一般代码时间复杂度就是常见的4种：
T(n) =O(1)
T(n) =O(logn)
T(n) =O(n)
T(n) =O(n^2)
他们之间的关系是这样的：
O(1)<O(logn)<O(n)<O(n^2)
另外还有很多时间复杂度
T(n) =O(nlogn)
T(n) =O(n^3)
T(n) =O(mn)
T(n) =O(2^n)
时间复杂度主要是针对大量数据的，因为在大量数据的情况下才能体现出两个算法的好坏，就向你和一个胖子一起跑步，刚开始你俩没啥明显区别，但是时间久了，胖子就开始喘了。
空间复杂度主要的表示方法：S(n)=O(f(n)),其中n为问题的规模，f(n)为算法所占存储空间的函数。算法所用的时间一样，当然所占空间越小越好，常见的空间复杂度从低到高的顺序如下
O(1),O(n),O(n^2),递归深度越多，所占空间越大
欢迎大家关注我的微信公众号：宁仔说python，努力为大家分享更多通俗易懂有趣的python知识哦！让学习变得开心简单吧!
