理解「时间复杂度」需要「动态」去看它

本文通过Python绘制了不同数据规模下各种时间复杂度的曲线，包括O(logn)、O(1)、O(nlogn)、O(n)和O(n^2)，展示了小数据和大数据规模下的增长趋势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

小数据规模情况下

在这里插入图片描述

大数据规模情况下

源代码：

Python 代码：

import matplotlib
import matplotlib.pyplot as plt
import numpy as np

n = 100

x = np.arange(1, n + 1)

y1 = [np.log2(i) for i in range(1, x.size + 1)]
y2 = [1 for _ in range(1, x.size + 1)]
y3 = [i * np.log2(i) for i in range(1, x.size + 1)]
y4 = [i for i in range(1, x.size + 1)]
y5 = [i * i for i in range(1, x.size + 1)]

fig, ax = plt.subplots(figsize=(8, 8))
ax.plot(x, y1, label='$log_{2} n$')
ax.plot(x, y2, label='$1$')
ax.plot(x, y3, label='$n \log_{2} n$')
ax.plot(x, y4, label='$n$')
ax.plot(x, y5, label='$n^2$')
plt.xlim(0, 100)
plt.ylim(0, 100)

plt.legend(fontsize=16)
plt.savefig("1.jpg")
plt.show()

在这里插入图片描述

源代码：

Python 代码：

import matplotlib
import matplotlib.pyplot as plt
import numpy as np

n = 100000

x = np.arange(1, n + 1)
y1 = [np.log10(i) for i in range(1, x.size + 1)]
y2 = [1 for _ in range(1, x.size + 1)]
y3 = [i * np.log10(i) for i in range(1, x.size + 1)]
y4 = [i for i in range(1, x.size + 1)]
y5 = [i * i / 10000 for i in range(1, x.size + 1)]

fig, ax = plt.subplots(figsize=(16, 4))
ax.plot(x, y1, label='$log_{10} n$')
ax.plot(x, y2, label='$1$')
ax.plot(x, y3, label='$n \log_{10} n$')
ax.plot(x, y4, label='$n$')
ax.plot(x, y5, label='$n^2/10000$')
plt.xlim(0, 100000)
plt.ylim(0, 800000)

plt.legend(fontsize=16)
plt.savefig("2.jpg")

plt.show()