算法的时间复杂度与空间复杂度，都是基本的概念，这里花一点时间做个简单的介绍。
时间复杂度：通常表现为一个函数，来定性描述算法的运行时间。通过预估代码的基本操作执行次数来表现。
举例说明
1、 办公室有一桶水10L，2小时喝下去1L，需要20小时，如果是 n 升的水呢？那就是 n小时。如果用函数式来表达 T(n) = 2n；
2、办公室内一桶水 16L，每小时喝掉剩余的一半，那把水喝到只能1L，需要多久？就算方式是用16不断的除以2，用数学表达式就是以2为底16的对数 log216 。需要 4个小时，如果是n升水，则为 log n ，T(n) = log n；
...... 以上这种类比同样适用于对程序基本操作执行次数的统计。设 T(n) 为程序基本操作执行次数的函数（也可以认为是程序的相对执行时间函数）,n 为输入规模，刚才2个场景分别对应了程序的2种执行方式。
function drink1(n) {
for (let i = 0; i < n; i++) {
console.log('1小时了')
console.log('1小时了')
console.log('喝一升水')
}
}
function drink2(n) {
for (let i = n; i > 1; i/=2) {
console.log('1小时了')
console.log('喝一半水')
}
}
渐进时间复杂度
若存在函数f(n)，使得当n趋近于无穷大时，T(n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n))，称为O(f(n))，O为算法的渐进时间复杂度，简称为时间复杂度。简言之，就是根据数量级来看，如果同等数量级，则用最高数量级前面的系数比作为渐进时间复杂度。
因为渐进时间复杂度用大写O来表示，所以也被称为大O表示法； 场景1里面： T(n) = n；最高阶项为2n，省去系数1，则转化的时间复杂度为 ：T(n)=O(n)；
场景2里面：T(n) = logn，最高阶项为logn，省去系数1，则转化的时间复杂度为：T(n) =O(logn)
空间复杂度
在运行一段程序时，我们不仅要执行各种运算指令，同时也会根据需 要，存储一些临时的中间数据 ，以便后续指令可以更方便地继续执 行。给出一组数字,要求去重
[3,1,2,5,4,9,7,2]
一般通过双重循环也可以做到，但是整个时间复杂度为 n2，即O(n2)。但是这显然不是一种良好的算法，这时就要考虑空间复杂度。
当遍历整个数列时，每遍历一个整数，就把该整数存储起来，就像放到字典中一样。当遍历下一个整数时，不必再慢慢向前回溯比较，而直接
去“字典”中查找，看看有没有对应的整数即可。如果已经遍历了前面7个整数，那么字典里存储的信息如下。
字典左侧key代表值，右边是出现的次数，当遍历到最后一个整数2时，从"字典"可以轻松找到2曾经出现过，那么问题就影人二级，由于读写字典本身的时间复杂度是O(1)，所以整个算法的时间复杂度是O（n），和最初相比，运行效率大大提高了。
在递归时，考虑到每次的压栈都要给方法和参数分配空间，则执行n此的话，空间复杂度为n
function fun4(n){
if(n<=1){
return;
}
fun4(n-1);
...
}
加入传进去的是5，那么方法fun4（参数n=5）的调用信息先入栈。接下来递归调用相同的方法，方法fun4（参数n=4）的调用信息入栈。以此类推，递归越深，入栈元素越多；执行到最后，“方法调用栈”的全部元素会一一出栈。纯粹的递归操作的空间复杂度也是线性的，如果递归的深度是n，那么空间复杂度就是O(n) 。
空间复杂度和时间复杂度要有所取舍，才能更好地服务于性能以及各种体验。
