事后统计法的局限性：
1、测试结果依赖测试环境
2、测试结果受数据规模影响大
大O时间表示法
所有代码的执行时间 T(n) 和每行代码的执行次数是成正比的
T(n) = O( f(n) )
当 n 很大时，公式中的低阶，常量，系数三部分并不左右增长趋势，可以忽略
分析方法：
1、只关注循环最多的一段代码就可以了
2、加法法则：总复杂度等于量级最大的那段代码的复杂度
注意：
循环代码中，只要循环次数是一个已知的数，也是常量级别的执行时间，当n无限大的时候就可以忽略掉，其中可能会影响效率，表示的是 一个算法的执行效率，与数据增长规模的变化趋势，本身对增长趋势并没有影响
公式：
3、乘法法则：嵌套代码的复杂度等于嵌套内外复杂度的乘积
常见时间复杂度：
主要分为：多项式量级和非确定多项式量级
非确定多项式量级：指数阶 ， 阶乘阶
多项式量级：常量阶，对数阶，线性阶，线性对数阶，平方阶
1、常数阶
只要算法中不存在循环语句，递归，即使有成千上万行代码，时间复杂度也为O(1)
2、 对数阶和线性对数阶
对数阶 ： O( logn )
线性对数阶： 一段时间复杂度为O( logn )的算法执行了n遍，时间复杂度就为O( nlogn)
3、 O(m + n)
当面对两个数据规模 m 和 n ，我们无法评估m 和 n 谁的量级大，计算复杂度的时候，不能简单的利用加法法则省略掉其中一个。
