用 O( ) 来描述最坏的情况 表示的是 程序的step 关于 输入的size 的增长率
e.g.
抓住主要矛盾，忽略次要矛盾
具体主次矛盾顺序：
（这个c 要指明）
具体计算的小tips：
加法法则和乘法法则
总的来说 就是把一个大块的程序，分成一个个小块 ，然后分别计算他们的 O( ) 然后加起来，取主要矛盾
如果遇见 嵌套的 那就两个乘起来
加法取主要矛盾 ，乘法忽略 常数系数
从上面这个例子我们可以看出 当一次stage 调用 两个及多个的时候 其实是O(n^c) 复杂度
要注意 这个这个复杂度 是指 输入的什么size 假如是数字 一般默认大小 假如序列一般默认 是length
O(1):（a）复杂度与输入无关
（b）只有很少的算法满足条件，但是很多算法的 部分代码 是这个复杂度
（c）循环和递归也可能是这个复杂度的，但循环或者调用的 次数跟输入无关
O(logn)：
（1）二分法查找，（任何每一步把搜索的空间分为一半（一半是泛指））
(2) 每一次循环 输入n都要除以某个常数c， 然后循环的条件是 输入满足某个条件 （大于等于0 etc）就是O(logn) （在具体一点 log以c为底）
reducing the size of problem by a constant factor on each stage
e.g.
O(n)：
(1) 最典型的例子是循环 然后每次循环， 那个条件变量都 用加减 一个常数
O(nlogn)：
O(n^c):
(1) 大部分n的c次方复杂度的算法都是n的二次方
(2) 比较典型的有内嵌循环和递归
O(c^n):
总结：
对于list 来说 index store len append 这些操作都是O(1) 因为 python 知道怎么找到那个点 然后 干点啥事
但是对于字典来说 基本都是O(n) 因为字典是 无序的，排序不固定 而list 是固定的
