為什么所有程序員都該學好數據結構與算法？在你的工作中你會發(fā)現，利用數據結構的知識，建立算法思維，更好完成代碼效率的優(yōu)化。我們先來講一講如何衡量程序運行的效率。
當你在大數據環(huán)境中開發(fā)代碼時，你一定遇到過程序執(zhí)行好幾個小時、甚至好幾天的情況，或者是執(zhí)行過程中電腦幾乎死機的情況：
如果這個效率低下的系統是離線的，那么它會讓我們的開發(fā)周期、測試周期變得很長。如果這個效率低下的系統是在線的，那么它隨時具有時間爆炸或者內存爆炸的可能性。因此，衡量代碼的運行效率對于一個工程師而言，是一項非常重要的基本功，我們就來學習程序運行效率相關的度量方法。
復雜度是什么復雜度是衡量代碼運行效率的重要的度量因素。在介紹復雜度之前，有必要先看一下復雜度和計算機實際任務處理效率的關系，從而了解降低復雜度的必要性。
計算機通過一個個程序去執(zhí)行計算任務，也就是對輸入數據進行加工處理，并最終得到結果的過程。每個程序都是由代碼構成的?？梢?，編寫代碼的核心就是要完成計算。但對于同一個計算任務，不同計算方法得到結果的過程復雜程度是不一樣的，這對你實際的任務處理效率就有了非常大的影響。
舉個例子，你要在一個在線系統中實時處理數據。假設這個系統平均每分鐘會新增 300M 的數據量。如果你的代碼不能在 1 分鐘內完成對這 300M 數據的處理，那么這個系統就會發(fā)生時間爆炸和空間爆炸。表現就是，電腦執(zhí)行越來越慢，直到死機。因此，我們需要講究合理的計算方法，去通過盡可能低復雜程度的代碼完成計算任務。
那提到降低復雜度，我們首先需要知道怎么衡量復雜度。而在實際衡量時，我們通常會圍繞以下2 個維度進行。首先，這段代碼消耗的資源是什么。一般而言，代碼執(zhí)行過程中會消耗計算時間和計算空間，那需要衡量的就是時間復雜度和空間復雜度。
我舉一個實際生活中的例子。某個十字路口沒有建立立交橋時，所有車輛通過紅綠燈分批次行駛通過。當大量汽車同時過路口的時候，就會分別消耗大家的時間。但建了立交橋之后，所有車輛都可以同時通過了，因為立交橋的存在，等于是消耗了空間資源，來換取了時間資源。
其次，這段代碼對于資源的消耗是多少。我們不會關注這段代碼對于資源消耗的絕對量，因為不管是時間還是空間，它們的消耗程度都與輸入的數據量高度相關，輸入數據少時消耗自然就少。為了更客觀地衡量消耗程度，我們通常會關注時間或者空間消耗量與輸入數據量之間的關系。
好，現在我們已經了解了衡量復雜度的兩個緯度，那應該如何去計算復雜度呢？
復雜度是一個關于輸入數據量 n 的函數。假設你的代碼復雜度是 f(n)，那么就用個大寫字母 O 和括號，把 f(n) 括起來就可以了，即 O(f(n))。例如，O(n) 表示的是，復雜度與計算實例的個數 n 線性相關；O(logn) 表示的是，復雜度與計算實例的個數 n 對數相關。
通常，復雜度的計算方法遵循以下幾個原則：
首先，復雜度與具體的常系數無關，例如 O(n) 和 O(2n) 表示的是同樣的復雜度。我們詳細分析下，O(2n) 等于 O(n+n)，也等于 O(n) + O(n)。也就是說，一段 O(n) 復雜度的代碼只是先后執(zhí)行兩遍 O(n)，其復雜度是一致的。其次，多項式級的復雜度相加的時候，選擇高者作為結果，例如 O(n2)+O(n) 和 O(n2) 表示的是同樣的復雜度。具體分析一下就是，O(n2)+O(n) = O(n2+n)。隨著 n 越來越大，二階多項式的變化率是要比一階多項式更大的。因此，只需要通過更大變化率的二階多項式來表征復雜度就可以了。值得一提的是，O(1) 也是表示一個特殊復雜度，含義為某個任務通過有限可數的資源即可完成。此處有限可數的具體意義是，與輸入數據量 n 無關。
例如，你的代碼處理 10 條數據需要消耗 5 個單位的時間資源，3 個單位的空間資源。處理 1000 條數據，還是只需要消耗 5 個單位的時間資源，3 個單位的空間資源。那么就能發(fā)現資源消耗與輸入數據量無關，就是 O(1) 的復雜度。
為了方便你理解不同計算方法對復雜度的影響，我們來看一個代碼任務：對于輸入的數組，輸出與之逆序的數組。例如，輸入 a=[1,2,3,4,5]，輸出 [5,4,3,2,1]。
先看方法一，建立并初始化數組 b，得到一個與輸入數組等長的全零數組。通過一個 for 循環(huán)，從左到右將 a 數組的元素，從右到左地賦值到 b 數組中，最后輸出數組 b 得到結果。
代碼如下：
這段代碼的輸入數據是 a，數據量就等于數組 a 的長度。代碼中有兩個 for 循環(huán)，作用分別是給b 數組初始化和賦值，其執(zhí)行次數都與輸入數據量相等。因此，代碼的時間復雜度就是 O(n)+O(n)，也就是 O(n)。
空間方面主要體現在計算過程中，對于存儲資源的消耗情況。上面這段代碼中，我們定義了一個新的數組 b，它與輸入數組 a 的長度相等。因此，空間復雜度就是 O(n)。
接著我們看一下第二種編碼方法，它定義了緩存變量 tmp，接著通過一個 for 循環(huán)，從 0 遍歷到a 數組長度的一半（即 len(a)/2）。每次遍歷執(zhí)行的是什么內容？就是交換首尾對應的元素。最后打印數組 a，得到結果。
代碼如下：
這段代碼包含了一個 for 循環(huán)，執(zhí)行的次數是數組長度的一半，時間復雜度變成了 O(n/2)。根據復雜度與具體的常系數無關的性質，這段代碼的時間復雜度也就是 O(n)。
空間方面，我們定義了一個 tmp 變量，它與數組長度無關。也就是說，輸入是 5 個元素的數組，需要一個 tmp 變量；輸入是 50 個元素的數組，依然只需要一個 tmp 變量。因此，空間復雜度與輸入數組長度無關，即 O(1)。
可見，對于同一個問題，采用不同的編碼方法，對時間和空間的消耗是有可能不一樣的。因此，工程師在寫代碼的時候，一方面要完成任務目標；另一方面，也需要考慮時間復雜度和空間復雜度，以求用盡可能少的時間損耗和盡可能少的空間損耗去完成任務。
時間復雜度與代碼結構的關系好了，通過前面的內容，相信你已經對時間復雜度和空間復雜度有了很好的理解。從本質來看，時間復雜度與代碼的結構有著非常緊密的關系；而空間復雜度與數據結構的設計有關，關于這一點我們會在下一講進行詳細闡述。接下來我先來系統地講一下時間復雜度和代碼結構的關系。
代碼的時間復雜度，與代碼的結構有非常強的關系，我們一起來看一些具體的例子。
例 1，定義了一個數組 a = [1, 4, 3]，查找數組 a 中的最大值，代碼如下：
這個例子比較簡單，實現方法就是，暫存當前最大值并把所有元素遍歷一遍即可。因為代碼的結構上需要使用一個 for 循環(huán)，對數組所有元素處理一遍，所以時間復雜度為 O(n)。
例2，下面的代碼定義了一個數組 a = [1, 3, 4, 3, 4, 1, 3]，并會在這個數組中查找出現次數最多的那個數字：
這段代碼中，我們采用了雙層循環(huán)的方式計算：第一層循環(huán)，我們對數組中的每個元素進行遍歷；第二層循環(huán)，對于每個元素計算出現的次數，并且通過當前元素次數 time_tmp 和全局最大次數變量 time_max 的大小關系，持續(xù)保存出現次數最多的那個元素及其出現次數。由于是雙層循環(huán)，這段代碼在時間方面的消耗就是 n*n 的復雜度，也就是 O(n2)。
在這里，我們給出一些經驗性的結論：
一個順序結構的代碼，時間復雜度是 O(1)。二分查找，或者更通用地說是采用分而治之的二分策略，時間復雜度都是 O(logn)。這個我們會在后續(xù)課程講到。一個簡單的 for 循環(huán)，時間復雜度是 O(n)。兩個順序執(zhí)行的 for 循環(huán)，時間復雜度是 O(n)+O(n)=O(2n)，其實也是 O(n)。兩個嵌套的 for 循環(huán)，時間復雜度是 O(n2)。有了這些基本的結論，再去分析代碼的時間復雜度將會輕而易舉。
降低時間復雜度的必要性很多新手的工程師，對降低時間復雜度并沒有那么強的意識。這主要是在學校或者實驗室中，參加的課程作業(yè)或者科研項目，普遍都不是實時的、在線的工程環(huán)境。
實際的在線環(huán)境中，用戶的訪問請求可以看作一個流式數據。假設這個數據流中，每個訪問的平均時間間隔是 t。如果你的代碼無法在 t 時間內處理完單次的訪問請求，那么這個系統就會一波未平一波又起，最終被大量積壓的任務給壓垮。這就要求工程師必須通過優(yōu)化代碼、優(yōu)化數據結構，來降低時間復雜度。
為了更好理解，我們來看一些數據。假設某個計算任務需要處理 10萬 條數據。你編寫的代碼：
如果是 O(n2) 的時間復雜度，那么計算的次數就大概是 100 億次左右。如果是 O(n)，那么計算的次數就是 10萬 次左右。如果這個工程師再厲害一些，能在 O(log n) 的復雜度下完成任務，那么計算的次數就是 17 次左右（log 100000 = 16.61，計算機通常是二分法，這里的對數可以以 2 為底去估計）。數字是不是一下子變得很懸殊？通常在小數據集上，時間復雜度的降低在絕對處理時間上沒有太多體現。但在當今的大數據環(huán)境下，時間復雜度的優(yōu)化將會帶來巨大的系統收益。而這是優(yōu)秀工程師必須具備的工程開發(fā)基本意識。
總結OK，今天的內容到這兒就結束了。相信你對復雜度的概念有了進一步的認識。
復雜度通常包括時間復雜度和空間復雜度。在具體計算復雜度時需要注意以下幾點。
它與具體的常系數無關，O(n) 和 O(2n) 表示的是同樣的復雜度。復雜度相加的時候，選擇高者作為結果，也就是說 O(n2)+O(n) 和 O(n2) 表示的是同樣的復雜度。O(1) 也是表示一個特殊復雜度，即任務與算例個數 n 無關。復雜度細分為時間復雜度和空間復雜度，其中時間復雜度與代碼的結構設計高度相關；空間復雜度與代碼中數據結構的選擇高度相關。會計算一段代碼的時間復雜度和空間復雜度，是工程師的基本功。這項技能你在實際工作中一定會用到，甚至在參加互聯網公司面試的時候，也是面試中的必考內容。
以上內容，來自拉勾教育的新專欄「重學數據結構與算法」，這個專欄會從方法論、基礎知識、真題演練、面試技巧這四個方面，帶你搞定數據結構與算法的知識，為你提供成為優(yōu)秀工程師的完整路徑。
