算法复杂度分为时间复杂度和空间复杂度，二者也是衡量代码的好坏两个重要指标：

算法的复杂性体现在运行该算法时的计算机所需资源的多少上，计算机资源最重要的是时间和空间（即寄存器）资源，因此复杂度分为时间和空间复杂度。

1.1 基本执行次数：T(n)

由于运行环境和输入规模的影响，代码的绝对执行时间是无法估计的，但我们可以估算出代码的基本执行次数。

一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，用这个函数来表达相对时间，可以记作 T(n)。

1.2 时间复杂度：O(n)

因为执行规则具有不确定性（文章下面就列举4种可能）， 所以T(n) 不足以分析和比较一段代码的运行时间，就有了渐进时间复杂度（asymptotic time complexity）的概念，官方的定义如下：

若存在函数 f（n），使得当n趋近于无穷大时，T（n）/ f（n）的极限值为不等于零的常数，则称 f（n）是T（n）的同数量级函数。记作 T（n）= O（f（n）），称O（f（n）） 为算法的渐进时间复杂度，简称：时间复杂度。

渐进时间复杂度用大写“O”来表示，所以也被称为大O表示法。

算法时间复杂度里有O(1), O(n), O(logn), O(nlogn), O(n^2)的概念，这是算法的时空复杂度的表示。

它不仅仅用于表示时间复杂度，也用于表示空间复杂度。

O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。

1.3 空间复杂度：S(n)

与时间复杂度类似，空间复杂度是指算法在计算机内执行时所需存储空间的度量，记作：S(n)=O(f(n)) 。

上面提到过，O(n)不仅仅用于表示时间复杂度，也用于表示空间复杂度。

这是针对时间复杂度的场景分析，时间复杂度排序为：O（1）