在描述演算法複雜度時,經常用到o(1), o(n), o(logn), o(nlogn)來表示對應演算法的時間複雜度。這裡進行歸納一下它們代表的含義:這是演算法的時空複雜度的表示。不僅僅用於表示時間複雜度，也用於表示空間複雜度。
 
      O後面的括號中有一個函式，指明某個演算法的耗時/耗空間與資料增長量之間的關係。其中的n代表輸入資料的量。

1. 比如時間複雜度為O(n)，就代表資料量增大幾倍，耗時也增大幾倍。比如常見的遍歷演算法。
2. 再比如時間複雜度O(n^2)，就代表資料量增大n倍時，耗時增大n的平方倍，這是比線性更高的時間複雜度。比如氣泡排序，就是典型的O(n^2)的演算法，對n個數排序，需要掃描n×n次。
3. 再比如O(logn)，當資料增大n倍時，耗時增大logn倍（這裡的log是以2為底的，比如，當資料增大256倍時，耗時只增大8倍，是比線性還要低的時間複雜度）。二分查詢就是O(logn)的演算法，每找一次排除一半的可能，256個數據中查詢只要找8次就可以找到目標。
4. O(nlogn)同理，就是n乘以logn，當資料增大256倍時，耗時增大256*8=2048倍。這個複雜度高於線性低於平方。歸併排序就是O(nlogn)的時間複雜度。
5. O(1)就是最低的時空複雜度了，也就是耗時/耗空間與輸入資料大小無關，無論輸入資料增大多少倍，耗時/耗空間都不變。 雜湊演算法就是典型的O(1)時間複雜度，無論資料規模多大，都可以在一次計算後找到目標（不考慮