这有助于理解 O(n) 实际上是指。要使其可视化，请制作一个简单的折线图。把n放在x轴上，不管n是什么，然后把你测量的复杂度放在y轴上。目标通常是“时间复杂度”，因此，cpu计算给定“n”值的输入集所需的时间。
如果你真的做了这个实验，对于低n来说，图表只是一个杂乱无章的任意结果；运气是控制因素，因此，你无法做出正面或反面的判断（在这一次测试中，你的winamp切换歌曲，在这一次测试中，事实上ArrayList开始时的容量为10意味着在11时你会看到一个突然的峰值，等等）。
但是，继续。最终，你不知道这需要多长时间，但是，最终，一个形状开始形成。要么是因为你缩小得足够远（因为你的图非常大，因为它从n=1到n=100000），要么是因为算法的复杂性“占了上风”，是控制因素。
这就是o（n）所衡量的：一旦这个图形看起来稳定了，它的形状会是什么样子？如果你说算法是 O(n log n) ，你的意思是：图的右边看起来很像图的右边 y = x * log(x) .
这也是为什么 O(n^2 + n) 只是不是一件事-如果你要用图表 y = x^2 + x ，它看起来和 y = x^2 一旦你到了右边。如果问题的关键是“形状是什么”，那么一旦你走得足够远，任何对形状没有意义影响的因素都是无关紧要的。
这给了你一个非常强大的工具来回答这样的问题。拿出一支笔。拿出一些纸来。去画这个吧。认真地说，拿出一支笔来做：画一条线，在x轴上画10个记号，突出显示第一、第二、第五和第十个（n=100，n=200，n=500，n=1000）。然后，从~0-500画一个y轴，在x=100，y=33处画一个点。同样在x=200，y=76，等等。尽你所能画出这条“趋势线”。然后拿出你的绘图计算器或者去wolfram alpha打印 y = x * ln(x) .
如果形状匹配，瞧。你有你的答案。
我给你一个提示：你似乎认为这4个选项中最糟糕的是 O(n ln n) . 也许你应该研究一下y=x^2和y=x*ln（x）的图。。。

在excel中输入表格，绘制图表并与本表进行比较

a看起来像o（n lg n），b是o（n），co（n^2），

我认为（c）应该是o（n^2），因为从n=1000到500，这个值乘以4。这与o（n^2）的增加相匹配。然而，对于（a），n=1000是n=500的两倍多一点。这表明（a）是o（nlgn）。