1. 时间、空间复杂度不能和性能划等号
时间、空间复杂度不是时间执行和内存消耗的精确值。它们只是表示了随着数据量的增长，时间、空间的增长趋势。
代码的执行时间有时不跟时间复杂度成正比。我们常说算法是O(nlogn),O( )这些都是基于大数据量（例如 ），在小数据量的时候可能O( )比O(nlogn)更快。
对于不同问题，不同算法之间不能做复杂度比较。复杂度只能表征不同算法在处理同类型数据、同样问题时候的算法 优劣。
2. 抛开数据规模谈数据结构和算法都是“耍流氓”
数据规模小，算法之间的优越性体现不出来。
代码执行频率过低，算法优化的效果体现不出来。
代码执行频率不高，并且是非核心代码，选择简单、易懂的数据结构和算法。
流入100以内的字符串比较用暴力匹配就挺好。使用KMP等更容易出问题，增加维护成本。
3.结合数据特征和访问方式选择数据结构
例如Trie树在字符串有公共前缀的情况下使用能提高搜索效率。如果数据之间都没有公共前缀，用Trie树就不合适了。
例如图使用邻接表存储还是邻接矩阵存储，看图是稀疏矩阵吗。如果是，就用邻接表，不是就用邻接矩阵存储。
4. 区别对待 IO 密集、内存密集和计算密集
IO密集：例如数据存储在磁盘上，需要每次读取。通过减少IO的次数，提高性能 。例如数据库查询是IO密集型，减少数据库操作次数，提高性能。
计算密集：代码执行效率的瓶颈在CPU执行上。例如已经将数据加载到内存中。优化的时候要减少逻辑计算复杂度。例如用位运算代替加减法。
内存密集：计算操作都比较简单，代码执行效率的瓶颈在数据加载到内存。例如字符串比较。因此，在选择数据结构和算法的时候，需要考虑是否能减少数据的读取量，数据是否在内存中连续存储，是否能利用 CPU 缓存预读。
5.善用语言提供的类库，避免重复造轮子
6.有目的的优化，不过度优化
在有必要的时候，在核心代码、在执行频率高的代码做优化。
我们要学会估算。估算能力实际上也是一个非常重要的能力。我们不仅要对普通情况下的数据规模和性能压力做估算，还需要对异常以及将来一段时间内，可能达到的数据规模和性能压力做估算。这样，我们才能做到未雨绸缪，写出来的代码才能经久可用。
当真的要优化代码的时候，一定要先做 Benchmark 基准测试。这样才能避免你想当然地换了一个更高效的算法，但真实情况下，性能反倒下降了。
