时间复杂度是用来估计算法运行时间的一个式子（单位）
举例：
print('Hello World') 时间复杂度为O(1)
for i in range(n):
print('Hello World')
时间复杂度为O(n)
for i in range(n):
for j in range(n):
print('Hello World')
时间复杂度为O(n^2)
for i in range(n):
for j in range(n):
for k in range(n):
print('Hello World')
时间复杂度为O(n^3)
print('Hello World')
print('Hello Python')
print('Hello Algorithm')
时间复杂度为O(3)
for i in range(n): 时间复杂度为O(n)
print('Hello World') 时间复杂度为O(1)
for j in range(n): 时间复杂度为O(n)
print('Hello World') 时间复杂度为O(1)
时间复杂度为O(n^2)
while n > 1:
print(n)
n = n // 2
n = 64 输出：
64，32，16，8，4，2
2^6=64 log2^64=6
时间复杂度为O(log2^n)或O(logn)
当算法过程出现循环折半的时候，复杂度式子中会出现logn
一般来说，时间复杂度高的算法比复杂度低的算法慢
常见的时间复杂度（按效率排序）
O(1) < O(logn) < O(n)< O(nlogn) < O(n^2) < O(n^2logn) < O(n^3)
1、常数阶O(1)
无论代码执行了多少行，只要是没有循环等复杂结构，那这个代码的时间复杂度就都是O(1)，如：
int i = 1;
int j = 2;
++i;
j++;
int m = i + j;
上述代码在执行的时候，它消耗的时候并不随着某个变量的增长而增长，那么无论这类代码有多长，即使有几万几十万行，都可以用O(1)来表示它的时间复杂度。
2、线性阶O(n)
如：
for(i=1; i<=n; ++i)
{
j = i;
j++;
}
这段代码，for循环里面的代码会执行n遍，因此它消耗的时间是随着n的变化而变化的，因此这类代码都可以用O(n)来表示它的时间复杂度。
3、对数阶O(logN)
还是先来看代码：
int i = 1;
while(i<n)
{
i = i * 2;
}
从上面代码可以看到，在while循环里面，每次都将 i 乘以 2，乘完之后，i 距离 n 就越来越近了。我们试着求解一下，假设循环x次之后，i 就大于 2 了，此时这个循环就退出了，也就是说 2 的 x 次方等于 n，那么 x = log2^n
也就是说当循环 log2^n 次以后，这个代码就结束了。因此这个代码的时间复杂度为：O(logn)
4、线性对数阶O(nlogN)
线性对数阶O(nlogN) 其实非常容易理解，将时间复杂度为O(logn)的代码循环N遍的话，那么它的时间复杂度就是 n * O(logN)，也就是了O(nlogN)。
拿上面的代码加一点修改来举例：
for(m=1; m<n; m++)
{
i = 1;
while(i<n)
{
i = i * 2;
}
}
5 、平方阶O(n²)
平方阶O(n²) 就更容易理解了，如果把 O(n) 的代码再嵌套循环一遍，它的时间复杂度就是 O(n²) 了。
举例：
for(x=1; i<=n; x++)
{
for(i=1; i<=n; i++)
{
j = i;
j++;
}
}
这段代码其实就是嵌套了2层n循环，它的时间复杂度就是 O(n*n)，即 O(n²)
如果将其中一层循环的n改成m，即：
for(x=1; i<=m; x++)
{
for(i=1; i<=n; i++)
{
j = i;
j++;
}
}
那它的时间复杂度就变成了 O(m*n)
复杂问题的时间复杂度
O(n!)、O(2^n)、O(n^n)...