广义上数据结构指的是一组数据的存储形式，算法则是操作这组数据的行为，算法构建与于数据结构之上，具体来讲，不同的算法需要依赖特定的数据结构才能发挥作用，例如二分查找算法需要依赖数组的随机访问特性。

高效的算法能够节省大量计算资源（CPU，内存），一般通过复杂度分析来衡量算法高效与否。当然也可以通过统计代码运行时间来直观地判断算法优劣，称为事后统计法，但这种方式具备一定局限性，运行环境，数据规模，数据分布情况都会影响测量结果，而复杂度分析则是从更为抽象的层面进行评估，忽略了具体 runtime 过程的影响，评估结果更具备通用性。

渐进时间复杂度（常用）

假设每一行代码的执行时间都等于 unit_time，n 为数据规模，整体执行时间 T(n) = O(f(n))，通过大O复杂度表示法，时间复杂度与数据规模（代码执行次数）成正比。

另外时间复杂度只关注最高阶项（最大影响），可以忽略低阶，系数，常量部分，例如：

T(n) = O(2n^2+2n+3) 可以简化为 T(n) = O(n^2)

常见的时间复杂度（效率由高到低）：O(1)，O(logn)，O(n)，O(n^2)，另外还有指数阶复杂度 O(2^n)，这种复杂度效率极低（复杂度会随数据规模增加发生剧变），比较少见。

另外还有更细致的复杂度分析，考虑具体场景：

• 最坏，最好时间复杂度
• 平均时间复杂度
• 均摊时间复杂度