O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。
时间复杂度为O(n)，就代表数据量增大几倍，耗时也增大几倍。比如常见的遍历算法。所以O(2)相比于O(1)数据量会更多，同时需要执行的时间会更多。
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，用T(n)表示，若有某个辅助函数f(n),存在一个正常数c使得fn*c>=T(n)恒成立。记作T(n)=O(f(n)),称O(f(n)) 为算法的渐进时间复杂度，简称时间复杂度。
扩展资料
时间复杂度O(n^2)，就代表数据量增大n倍时，耗时增大n的平方倍，这是比线性更高的时间复杂度。比如冒泡排序，就是典型的O(n^2)的算法，对n个数排序，需要扫描n×n次。
比如O(logn)，当数据增大n倍时，耗时增大logn倍（这里的log是以2为底的，比如，当数据增大256倍时，耗时只增大8倍，是比线性还要低的时间复杂度）。二分查找就是O(logn)的算法，每找一次排除一半的可能，256个数据中查找只要找8次就可以找到目标。
O(nlogn)同理，就是n乘以logn，当数据增大256倍时，耗时增大256*8=2048倍。这个复杂度高于线性低于平方。归并排序就是O(nlogn)的时间复杂度。
参考资料来源：百度百科—算法复杂度
根据大O定义易知，O（1） = O（2）。用O(1)和O(2)表示同一个函数时，差别仅在于常数因子c而已。
两个都是时间复杂度为常量。复杂度是用来表达算法的复杂程度跟算法输入的规模N的关系。如果不管N是多大，算法的复杂程度都固定是1或者2（比如1条指令，2个循环），那么在“复杂度”这个概念上，两者都一样，叫做“常数阶”复杂度。
O(g(n)) = { f(n) ：存在这样的正常数c和n0，使得对任意的n >= n0， 有0 <= f(n) <= cg(n)成立 }，则g(n)是f(n)的渐进上界。O（g(n)）是指所有与g(n)具有相同增长率或比其增长率小的函数的集合。
扩展资料：
常见的时间复杂度：
按数量级递增排列，常见的时间复杂度有：
常数阶O(1)；对数阶复杂度，即O(log2n)，比如有序数组的二分查找；线性阶O(n)，比如链式表的随机访问；线性对数阶O(nlogn)，比如某些排序算法；平方阶O(n^2)，立方阶O(n^3)等等。有些算法特别复杂，复杂度可能是O(n!)，O(n^n)等等。
k次方阶O(n^k),指数阶O(2^n)。随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低。
参考资料来源：百度百科--时间复杂度
本回答被网友采纳1，log(2)n，n，n log(2)n ，n的平方，n的三次方，2的n次方，n!
1指的是常数。即，无论算法的输入n是多大，都不会影响到算法的运行时间。这种是最优的算法。而n！（阶乘）是非常差的算法。当n变大时，算法所需的时间是不可接受的。
用通俗的话来描述，我们假设n=1所需的时间为1秒。那么当n = 10，000时。
O（1）的算法需要1秒执行完毕。
O（n）的算法需要10，000秒 ≈ 2.7小时 执行完毕。
O（n2）的算法需要100，000，000秒 ≈ 3.17年 执行完毕。
O（n！）的算法需要XXXXXXXX(系统的计算器已经算不出来了)。
可见算法的时间复杂度影响有多大。
所以O（1）和O（n）差了2.7小时，区别显而易见。本回答被网友采纳