到底什么是大O？？
n表示数据规模，O（f(n)）表示运行算法所需要执行的指令数，和f(n)成正比。
比如下面的例子，注意常数项不计入复杂度
常数项对算法效率的影响？
当数据规模小的时候，常数项可能会影响到算法执行效率，所以可以考虑复杂度比较差的算法，但是当规模比较大时，我们就必须追求好的时间复杂度
复杂度计算？
时间复杂度如果由两部分组成，选取大的那部分
但是要注意两部分的n是否相同，n不同时间复杂度由两部分组成：
数据规模复杂度：O(n)
数据规模每上升10倍，时间增加十倍
保险起见，这个数量级可以除以10
所以，在面试过程中，1s内，面试官告诉你数据规模在10^8,那么就要设计一个0(n)或复杂度更低的算法。如果是10^4，那么O(n^2)就可以了。如果是 100，那么设计一个O(n^3)也是可以的。
根据数据规模的不同和所要求的时间，估计出自己大概需要设计怎样复杂度的算法来实现要求。
空间复杂度递归调用是有空间代价的。在程序运行时，当递归调用时，会将递归之间的函数压入栈中，占据了一定的空间
因为递归深度是n，所以空间复杂度是O（n）