时间复杂度是从时间维度描述一段代码的复杂程度，由一段代码中执行频次最高的语句决定，用大O符号表述。
时间复杂度的分类
从低到高依次是：
- 常数时间复杂度 O(1)：无论问题规模如何变化，算法的运行时间都保持不变。
- 线性时间复杂度 O(n)：当输入规模n线性增加时，算法的运行时间呈现出线性增长趋势。
- 对数时间复杂度 O(log n)：当输入规模n呈指数增长时，算法的运行时间呈对数增长趋势。
- 平方时间复杂度 O(n^2)：当输入规模n线性增加时，算法的运行时间呈现出平方增长趋势。
- 立方时间复杂度O(n^3):当输入规模n线性增加时，算法的运行时间呈现出立方增长趋势。
- 指数时间复杂度 O(2^n)：当问题规模成指数增长时，算法的运行时间将会急剧增加
O(1)
O(1) 不是说只执行1次，而是对常量级时间复杂度的一种表示法。一般情况下，只要算法里没有循环和递归，就算有上万行代码，时间复杂度也是O(1)
(function () { console.log("你好"); })();
// 时间复杂度还是 O(1) (function () { console.log("你好"); console.log("你好"); })();
O(n)
只有一层循环或者递归等，时间复杂度就是 O(n)
function test(n) { for (let i = 0; i < n; i++) { console.log(i); } }
O(n^2)
嵌套循环的时间复杂度就是 O(n^2)
function test(n) { for (let i = 0; i < n; i++) { for (let j = 0; j < n; j++) { console.log(i, j); } } }
多种复杂度并列在一起时，只取执行次数最高的语句，即取最高项
// 最终的时间复杂度以高的为准，是 O(n^2) function test(n) { // 单循环的时间复杂度是 O(n) for (let i = 0; i < n; i++) { console.log(i); } // 嵌套循环的时间复杂度是 O(n^2) for (let i = 0; i < n; i++) { for (let j = 0; j < n; j++) { console.log(i, j); } } }
O(logn)
二分法的时间复杂度是 O(logn)，以下两种情况都是。
function test(n) { while (n > 1) { n = n / 2; console.log(n); } }
function test(n) { for (let i = 1; i < n; i = i * 2) { console.log(i); } }
O(nlogn)
二分嵌套一个单循环，即时间复杂度O(nlogn)
通常涉及排序的的时间复杂度，最低是 O(nlogn)
function test(n) { for (let i = 1; i < n; i = i * 2) { for (let j = 0; j < n; j++) { console.log(i, j); } } }
