以下代码的时间复杂性是什么？
def func(n):
for _ in range(n):
if n == 4:
for _ in range(n):
<do something>
对于一个特定输入（n = 4），它只是O（n ^ 2），但对于所有其他输入，它是O（n）。在这种情况下，最坏的情况显然是O（n ^ 2），但我的导师说O（n）是正确的答案。如果“big-Oh”符号表示最坏的情况，为什么不是O（n ^ 2）？
另一个是：
def func2(n):
for _ in range(n):
if n%2 == 0:
for _ in range(n):
<do something>
我不太确定这段代码的运行时间。同样，最坏的情况是O（n ^ 2）。这一次所有可能输入的一半导致最坏的情况。这足以说代码在O（n ^ 2）时间运行吗？
如果第一部分是O（n）而第二部分是O（n ^ 2），那么当您为“大哦”表示选择真正最坏的情况时，是否有一般的经验法则？
答案 0 :(得分：0)
更新
第一种情况是O（n），因为即使n = 4，复杂性也是一个嵌套循环，范围为4，其迭代费用为16次。对于n的所有其他值，它是O（n）。随着n的增长，从未实现n == 4的条件，因此复杂性不会随着n而增长。
在情况2中，对func2的一半调用涉及具有复杂度O（n ^ 2）的内环，这就是整体复杂度为O（n ^ 2）的原因。随着n的增长，时间要求增长为O（n ^ 2）