数据结构选择指南

根据需求选合适结构

1、 使用大O表示法描述复杂度时，会忽略低阶项、常数项和系数，仅保留主导增长趋势的高阶项。其衡量标准是语句执行次数的数量级。由于不同语句的实际执行时间可能不同且不确定，因此复杂度反映的是算法运行时间随输入规模变化的大致趋势，而非精确值。

2、 通常认为，时间复杂度为 O(nlogn) 的算法比 O(n?) 的算法效率更高，但这主要适用于处理大规模数据的情形。当数据规模较小时，算法的实际运行效率并不总是与理论复杂度一致，有时甚至可能出现相反的情况，复杂度较低的算法反而执行更慢，受常数因子和实现方式影响较大。

3、 复杂度仅用于衡量相同问题和数据类型下不同算法的性能差异。当问题或数据类型不同时，各算法的复杂度无法直接比较，因其衡量基础已不一致。

4、 在日常开发中，当数据量较小时，普通算法与高级算法的性能差异往往不明显。若代码执行频率较低且非核心逻辑，选择数据结构和算法时应优先考虑其实现是否简单、易于维护和理解，而非一味追求效率。

5、 在实际软件开发中，掌握基础的数据结构与算法只是起点。真正关键的是对问题需求的深入挖掘与抽象建模。面对背景复杂、开放性强的实际问题，需通过细致观察、调研和合理假设，准确把握数据特征及其访问方式，进而构建有效的解决方案。这一过程才是考验综合能力的核心所在。

6、 当数据存储于磁盘（如数据库）时，性能瓶颈往往不在算法，而在于磁盘IO。此时应优化数据存储格式与读写方式，尽可能减少磁盘交互次数，提升整体处理效率。