我做了什么： 我测量了处理100、1000、10000、100000、1000000个项目所花费的时间。 此处的尺寸：https://github.com/DimaBond174/cache_single_thread 。
然后我假设O（n）与n成正比，并针对O（n）计算其余算法。
具有处理100、1000、10000、100000、1000000项的时间度量，现在如何将算法归因于O（1），O（log n），O（n），O（n log n）或O（n ^ 2）吗？
答案 0 :(得分：3)
让我们将N定义为可能的数据输入之一。根据要引用的输入，一种算法可以具有不同的Big O值，但通常只关心一个大输入。没有相关算法，您只能猜测。但是，有一些准则可以帮助您确定它是什么。
一般规则：
O（1）-程序的速度几乎不变，而与数据大小无关。为了做到这一点，程序根本不能对所讨论的数据进行循环操作。
O（log N）-当N急剧增加时，程序会以对数曲线的速度缓慢降低。为此，循环必须仅遍历一部分数据。 （例如，二进制搜索）。
O（N）-程序的速度与数据输入的大小成正比。如果对数据的每个单位执行操作，则会得到此结果。您不得具有任何嵌套循环（作用于数据）。
O（N log N）-较大的输入会大大降低程序的速度。当您在一个循环中进行了O（logN）操作嵌套（否则为O（N））时，就会发生这种情况。因此，例如，您有一个循环，对每个数据单元进行二进制搜索。
O（N ^ 2）-该程序将变慢为具有较大输入的爬网，并最终因具有足够大的数据而停滞。当您有NESTED循环时，会发生这种情况。与上面相同，但是这次的嵌套循环是O（N）而不是O（log N）
因此，尝试将循环操作视为O（N）或O（log N）。然后，每当您有嵌套时，请将它们相乘。如果循环不是嵌套的，则它们不会像这样相乘。因此，彼此分开的两个循环就是O（2N）而不是O（N ^ 2）。
还请记住，您可能在后台有循环，因此您也应该考虑一下。例如，如果您在Java中执行了类似Arrays.sort（X）的操作，那将是O（N logN）操作。因此，如果出于某种原因将其放入循环中，您的程序将比您想象的要慢得多。
希望能回答您的问题。