我正在学习算法和时间复杂度，这个问题突然出现在我的脑海中。
为什么我们只分析算法的时间复杂度？
我的问题是，不应该有另一个指标来分析算法吗？假设我有两个算法 A 和 B。
A 需要 5s 处理 100 个元素，B 需要 1000s 处理 100 个元素。但两人都有O(n)时间。
所以这意味着 A 和 B 的时间都比cn两个单独的常数c=c1和的增长慢c=c2。但在我非常有限的算法经验中，我们总是忽略这个常数项，只关注增长。但是，在我给定的 A 和 B 示例之间进行选择时，这不是很重要吗？在这里c1<<c2，所以 Algo A 比 Algo B 好得多。
还是我在早期阶段想得太多，稍后会进行适当的分析？这叫什么？
或者我的时间复杂度的整个概念是错误的，在我给定的例子中，两者都没有O(n)时间？
我们担心增长的顺序，因为当输入大小趋于无穷大时，它为算法的行为提供了有用的抽象。
符号“隐藏”的常数O很重要，但它们也难以计算，因为它们取决于以下因素：
我们可以尝试估计这些，但通常这是一个失败的原因，除非我们做出一些简化的假设并在一些定义良好的计算模型上工作，比如RAM模型。
但是，我们又回到了抽象的世界，正是我们开始的地方！
我们测量了许多其他类型的复杂性。
但我想你更多地谈论的是“常数不重要吗？” 方法。是的，他们有。忽略常量有用的原因是它们不断变化。不同的机器以不同的速度执行不同的操作。您必须在一般有用和在特定机器上有用之间划清界限。
这并不总是时间。还有空间。
至于 O() 给你的渐近时间成本/复杂度，如果你有很多数据，那么，例如，O(n 2 )=n 2会比 O(n)=100* n 表示 n>100。对于较小的 n，您应该更喜欢这个 O(n 2 )。
而且，显然，O(n)=100*n 总是比 O(n)=10*n 差。
你的问题的细节应该有助于你在几个可能的解决方案（算法的选择）之间做出决定。
A 需要 5s 处理 100 个元素，B 需要 1000s 处理 100 个元素。但两者都有 O(n) 时间。
这是为什么？
O(N)是相对于程序输入执行程序所需的步骤数的渐近测量。
这意味着对于非常大的值，N算法的复杂性是线性增长的。
我们不比较X和Y秒。我们分析算法在输入变得越来越大时的表现
O(n) 让您知道对于不同的 n，相同的算法会慢多少，而不是比较算法。另一方面，还有空间复杂性——内存使用量如何随着输入 n 的函数增长。