Algorithm Learning

尝试在 力扣上面刷点算法题，不管有没有用吧，就当学学数学了
时间复杂度（Time Complexity）

时间复杂度衡量的是：当输入规模 n 变大时，代码执行的基本操作次数大概会怎么增长。
用大 O（Big-O）表示的是“增长的级别”，忽略常数和低阶项。

常见例子（n 是数组长度）：

• O(1)：操作次数基本不随 n 变（常数级）。
  例：读取 prices[0]。

• O(n)：操作次数和 n 成正比。
  例：遍历一遍数组，每个元素处理一次。 对列表进行切片时恢复至一份新列表，增加时间复杂度

• O(n²)：操作次数大约和 n² 成正比，n 稍大就会很慢。
  例：两层循环，外层 n 次、内层平均 n 次。

判断方法（粗略但好用）：
看循环结构——一层“完整遍历 n”的循环通常是 O(n)；两层嵌套通常是 O(n²)。
空间复杂度（Space Complexity）

空间复杂度衡量的是：除了输入数据本身以外，你额外用掉的内存随 n 的增长趋势。

常见例子：

• O(1)：只用固定数量的变量，不随 n 变。
  例：ans, streak, prev 这几个变量。

• O(n)：额外开了一个和输入同规模的结构（数组/列表/哈希表等）。
  例：b = [0]*n，或者 prices[i:]（切片会新建一个列表，长度大约是 n-i）。

---

哈希表

在 Python 里，“哈希表”通常指 dict（字典）（以及底层同样依赖哈希表的 set（集合））。它的核心价值是：用“键（key）→值（value）”做快速查找，平均情况下插入/查询/删除都是 O(1) 级别。

dict的key必须是可哈希（hashable）的，常见数据类型int/float/str/tuple(确保内部也都是可哈希)/frozenset 都可以哈希。而list/dict/set 都不可哈希，因为这些类型可变。

hash() 会输出整数哈希值