刷算法题的时候，不少人有过这样的疑问：代码里明明写了十个console.log，或者手动复制粘贴了五次函数调用，为什么老师说这段代码的时间复杂度是O(1)而不是O(5)甚至O(n)？反过来，有些人看到循环里调用了三次某个函数，就断定复杂度是O(3n)，觉得和O(n)是两种东西。这些困惑的根源都在于一个误解：把时间复杂度当成了代码执行步骤的计数器。实际上，大O表示法描述的是增长趋势，与具体重复了多少次没有直接关系。本文就来把这个概念彻底讲清楚。
一、大O表示法到底在描述什么
大O表示法来自数学中的渐进分析，它关心的问题是：当输入规模n趋近于无穷大时，算法的运行时间以什么速度增长。换句话说，它刻画的是一个函数的上界增长趋势，而不是精确的执行次数。举个例子，如果一个算法的执行时间是 3n² + 5n + 7，当n变得足够大时，n²这一项会完全支配整体增长——n等于一百万时，3n²是3万亿，而5n只有五百万，两者相差了六个数量级。
正因如此，大O表示法有两个经典的简化规则：第一，忽略常数因子，3n²和100n²都被记作O(n²)；第二，只保留最高阶项，3n² + 5n + 7直接记作O(n²)。这两个规则决定了：代码里硬编码多少次调用，只要这个次数不随n变化，它就只是一个常数，最终都会被归入O(1)的范畴。理解了这一点，前面的疑惑就解开了大半——十次固定调用不是O(10)，更不是O(n)，因为n根本不影响这十次调用是否发生。
可以用一个直观的比喻来理解：时间复杂度像是在描述一辆车的加速性能，而不是它跑过的总里程。硬编码十次调用相当于车上有十个固定重量的行李，无论路程多远，行李重量都不变，它不会改变车辆加速曲线的形状。
二、硬编码调用与真正的O(n)循环的区别
来看两段代码的对比。第一段是硬编码的固定调用：
def fixed_calls():
do_something() # 第1次
do_something() # 第2次
do_something() # 第3次
# ...写多少次都一样，次数是写死的
第二段是依赖输入规模的循环：
def loop_calls(n):
for i in range(n):
do_something() # 执行次数由n决定
第一段代码无论输入什么，都恰好执行三次do_something，总执行次数是一个与n无关的常数，所以是O(1)。第二段代码的执行次数随n线性增长，n翻倍则耗时大致翻倍，这才是O(n)。判断的关键不在于代码里有几行重复语句，而在于执行次数是否随输入规模变化。
有人可能会较真：第一段代码执行了3次，第二段在n等于3时也执行3次，怎么能说它们不同？答案在于大O关心的是趋势而非某个具体点。当n变成一亿时，第一段依然只执行3次，第二段要执行一亿次。常数在n趋于无穷时对增长曲线的形状毫无影响，这正是渐进分析的核心思想。
三、容易被误判的几种典型情况
除了硬编码调用，还有几类代码经常被误判复杂度。第一种是分支结构。下面这段代码有多个分支，看起来很长：
def process(data):
if data > 0:
step_a()
step_b()
step_c()
elif data < 0:
step_d()
else:
step_e()
step_f()
虽然代码里写了五个调用，但每次执行只会走其中一条路径，最多三个调用，总执行次数仍是常数，所以整体是O(1)。初学者容易犯的错误是把所有分支的语句加起来计数，得出O(5)这种结论。
第二种是嵌套循环中的常数层。比如外层循环跑n次，内层固定跑3次：
def nested(n):
for i in range(n):
for j in range(3): # 内层次数是常数
do_something()
总执行次数是3n，忽略常数因子后就是O(n)，而不是O(3n)。大O表示法中从来不写O(3n)这种形式，因为系数3不携带任何关于增长趋势的信息。
第三种是调用链的情况。如果函数A调用函数B三次，而函数B内部有一个O(n)的循环，那么A的复杂度是3 × O(n) = O(n)，常数倍被吸收。但如果A的循环跑n次，每次调用B，那才是O(n × n) = O(n²)。判断的口诀是：看调用次数是否受n控制，再看被调用函数本身的复杂度，两者相乘后再做渐进化简。
四、为什么常数在实践中仍然重要
讲了这么多忽略常数的理由，也要辩证地看：渐进分析忽略常数，不代表常数在工程中无关紧要。当数据规模很小的时候，一个O(n²)但内层极其精简的算法，可能比O(n log n)但常数巨大的算法跑得更快。这就是为什么许多标准库的排序实现会在小数组上切换为插入排序——在n小于16左右时，插入排序的低常数优势压过了归并排序的理论优势。
此外，同样是O(n)的两个实现，一个每步做一次内存访问，另一个每步做十次，实际耗时可能相差数倍。因此工程场景中除了大O，还需要关注缓存友好性、分支预测等常数层面的因素。学术界用大O做理论分析，工程上用性能测试做实际验证，两者相辅相成。
总结一下核心要点：时间复杂度衡量的是执行次数随输入规模n的增长趋势；硬编码的固定次数调用是常数，归为O(1)；系数和低阶项在渐进分析中都要被忽略。判断复杂度时，先问自己这段代码的执行次数是否随n变化，再按结构逐层分析，就不会再被表面的重复次数迷惑了。