JavaScript 和 ES6
在这个过程你会发现，有很多 JS 知识点你并不能更好的理解为什么这么设计，以及这样设计的好处是什么，这就逼着让你去学习这单个知识点的来龙去脉，去哪学？第一，书籍，我知道你不喜欢看，我最近通过刷大厂面试题整理了一份前端核心知识笔记，比较书籍更精简，一句废话都没有，这份笔记也让我通过跳槽从8k涨成20k。
「时间复杂度 ：T(n)」
一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数f(n),算法的时间度量记作 T(n)=O(f(n)) ，他表示随问题规模n的增大，算法执行时间的增长率和f(n)的增长相同，称作算法的渐进时间复杂度(asymptotic time complexity),简称时间复杂度。
「空间复杂度 ：S(n)」
空间复杂度(Space Complexity)是对一个算法在运行过程中临时占用存储空间大小的量度，记做S(n)=O(f(n))。
我们这里只讨论的是时间复杂度。需要注意的是，我们分析算法的时间复杂度，并不是基于算法执行的确切时间，而是基于算法**「执行步骤数量」。而这个执行步骤数量因不同的情况，也分「最好情况、最坏情况 和 平均情况」**
-
某个特定的数据集能让算法的执行情况极好，这就是最「最好情况」
-
而另一个不同的数据会让算法的执行情况变得极差，这就是「最坏情况」
-
不过在大多数情况下，算法的执行情况都介于这两种极端情况之间，也就是「平均情况」
我们要明白这几种情况的不同价值，这样才能帮助我们接下来了解的大O表示法
-
「最优情况」:没有什么大的价值，因为它没有提供什么有用信息，反应的只是最乐观最理想的情况，没有参考价值。
-
「平均情况」:是对算法的一个全面评价，因为它完整全面的反映了这个算法的性质，但从另一方面来说，这种衡量并没有什么保证，并不是每个运算都能在这种情况内完成。
-
「最坏情况」:它提供了一种保证，这个保证运行时间将不会再坏了，所以一般我们所算的时间复杂度是最坏情况下的时间复杂度，做事要考虑到最坏的情况是一个道理。
因此，我们知道了，分析算法的时间复杂度的好坏，通常是根据**「最坏情况」**去分析的。
大O表示法
基本概念
定义：如果一个问题的规模是n，解这一问题的某一算法所需要的时间为T(n)，它是n的某一函数 T(n)称为这一算法的“时间复杂性”。当输入量n逐渐加大时，时间复杂性的极限情形称为算法的“渐近时间复杂性”。
我们常用大O表示法表示时间复杂性，注意它是某一个算法的时间复杂性。大O表示只是说有上界，由定义如果f(n)=O(n)，那显然成立f(n)=O(n^2)，它给你一个上界，但并不是上确界，但人们在表示的时候一般都习惯表示前者。
此外，一个问题本身也有它的复杂性，如果某个算法的复杂性到达了这个问题复杂性的下界，那就称这样的算法是最佳算法。
“大O记法”：在这种描述中使用的基本参数是 n，即问题实例的规模，把复杂性或运行时间表达为n的函数。这里的“O”表示量级 (order)，比如说“二分检索是 O(logn)的”,也就是说它需要“通过logn量级的步骤去检索一个规模为n的数组”记法 O ( f(n) )表示当 n增大时，运行时间至多将以正比于 f(n)的速度增长。
这种渐进估计对算法的理论分析和大致比较是非常有价值的，但在实践中细节也可能造成差异。例如，一个低附加代价的O(n2)算法在n较小的情况下可能比一个高附加代价的 O(nlogn)算法运行得更快。当然，随着n足够大以后，具有较慢上升函数的算法必然工作得更快。
常见的大 O 运行时间
以下由快到慢排序。
-
O（log n）,也叫对数时间，这样的算法包括二分查找
-
O(n)，线性时间，包括简单查找
-
O(n*log n)，包括快速排序（业界俗称快排），一种速度较快的快速排序
-
O（n^ x）,包括平方时间、立方时间
-
O(2n) 指数时间
-
O（n！），包括旅行商问题的解决方案，一种非常慢的算法
O（log n）
O(log2n)表示每次循环运行之后，需要处理的数据减去一半。比如100、50、25、13。。。
对数
了解对数时间，就要先了解什么是对数，尽管对数在高一就学过，但是想必不少人都忘记了它吧（小声逼逼）。如果你清楚什么是对数，请直接跳过这个环节。
指数是幂运算aⁿ(a≠0)中的一个参数，a为底数，n为指数，指数位于底数的右上角。
1、当指数 n=0时，
2、当指数 n>0时，，且n为整数时，
3、当指数 n<0时，
4、当指数n=2时，称为平方。
5、当指数 n=3时，称为立方。
如果
，即a的x次方等于N（a>0，且a≠1），那么数x叫做以a为底N的对数（logarithm），记作
。其中，a叫做对数的底数，N叫做真数，x叫做“以a为底N的对数”。
二分查找法
二分查找是一种算法，其输入是一个有序的元素列表。如果要查找的元素包含在列表中，二分查找返回其位置；否则返回 null
一般而言，对于包含 n 个元素的列表，用二分查找最多需要 log2 n 步，而简单查找最多需要 n 步。
我们通过 JS 来实现一下思路：
const binarySearch = (arr, val) => {
let start = 0;
let end = arr.length - 1;
let guess;
while (start <= end) {
let mid = Math.ceil((start + end) / 2);
guess = arr[mid];
if (guess === val) return mid;
if (guess > val) {
end = mid - 1;
} else {
start = mid + 1;
}
}
return -1;
}
binarySearch([1, 3, 5, 7, 9], 3);
如果我们输入一个包含100个元素的有序数组，那么我们利用二分查找，最快找到元素的步骤设为n 那么
这就是O(logn)表示法。
线性时间O(n)
o(n)表示 随着输入量的增加，时间复杂度呈线性增长。
这里以简单查找的方法举例：
function test (array,num){
for(let i =0;i<array.length;i++){
if(array[i] === num){
return i
}
}
}
平方时间
表示的是算法的时间复杂度随着输入量的变化发生平方变化。
在js中，典型的就是双层循环
function test(arr1,arr2,){
arr1.map(item=>{
arr2.map(item2=>{
if(item2 === item1){
return item
}
})
})
}
立方时间同理，算法的时间复杂度随着输入量的变化发生立方变化，常见的算法有三层循环。随着循环层k的增加，算法复杂度为
指数时间
指数时间表示的算法的时间复杂度随着输入量的增加呈两倍数增加。常见算法：选择排序
function selectionSort(arr) {
const length = arr.length;
for (let i = 0; i < length - 1; i++) {
let minIndex = i;
for (let j = i + 1 ; j < length ; j++) {
if (arr[j] < arr[minIndex]) {
minIndex = j;
}
}
if (minIndex !== i) {
const temp = arr[i];
arr[i] = arr[minIndex];
arr[minIndex] = temp;
}
}
}
前端资料汇总
开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】
我一直觉得技术面试不是考试，考前背背题，发给你一张考卷，答完交卷等通知。
首先，技术面试是一个 认识自己 的过程，知道自己和外面世界的差距。
更重要的是，技术面试是一个双向了解的过程，要让对方发现你的闪光点，同时也要 试图去找到对方的闪光点，因为他以后可能就是你的同事或者领导，所以，面试官问你有什么问题的时候，不要说没有了，要去试图了解他的工作内容、了解这个团队的氛围。 找工作无非就是看三点：和什么人、做什么事、给多少钱，要给这三者在自己的心里划分一个比例。 最后，祝愿大家在这并不友好的环境下都能找到自己心仪的归宿。
