Python 大 O 表示法：时间与空间复杂度参考¶

欢迎阅读这份关于 Python 操作复杂度的完整指南。本资料记录了 Python 内置操作和标准库函数的时间与空间复杂度，以及它们在不同 Python 版本和实现中的行为差异。

适合谁阅读¶

本参考面向希望写出高效代码、并在数据结构与算法之间做出合理选择的 Python 开发者。对于学习算法与数据结构的计算机专业学生，以及准备技术面试（复杂度分析是常见考点）的工程师，它同样很有价值。

这不是 Python 教程，也不是 Big-O 表示法的入门介绍。我们假定你已经熟悉 Python 基础，并对时间与空间复杂度的概念有大致了解。

快速开始¶

内置类型 - 列表、字典、集合、字符串和元组的复杂度分析
标准库 - collections、heapq、bisect 等模块
实现 - CPython、PyPy、Jython 及其他实现的细节
版本 - 各 Python 版本的变化与优化

为什么这很重要¶

理解复杂度可以帮助你：

写出高性能的 Python 代码
为你的场景选择合适的数据结构
预判代码在更大输入下的扩展性
有效地优化算法

示例：列表操作¶

列表操作的复杂度各不相同：

操作	时间复杂度	空间
`append()`	均摊 O(1)	-
`insert(0, x)`	O(n)	-
`pop()`	O(1)	-
`pop(0)`	O(n)	-
`in`（查找）	O(n)	-
`sort()`	O(n log n)	O(n)

详细分析参见内置类型。

如何使用本指南¶

搜索 - 使用搜索栏查找特定操作
浏览 - 按类型或模块导航
筛选 - 选择 Python 版本或实现
查看备注 - 阅读与具体实现相关的注意事项

覆盖范围¶

Python 版本：3.10-3.14
实现：CPython、PyPy、Jython、IronPython
操作：2200 多项内置与标准库操作
更新：随 Python 新版本发布定期更新

为什么可以信任本文档？¶

本文档由多个 AI 编码代理（Amp、Claude、Gemini CLI、Kiro、Copilot、Codex）和模型（Opus 4.5+、Sonnet 4.5、Gemini 3 Pro、gpt-5.2+ 等）与人类贡献者共同审阅和完善。每个代理带来不同的视角、发现不同的问题，从而形成充分的交叉验证。不断扩充的单元测试套件会对照 Python 的实际行为验证这些复杂度结论。

本项目还完全开源——任何人都可以审阅内容、提交问题或提出改进。所有来源均已注明，结论基于 Python 官方文档和 CPython 源代码。

参与贡献¶

发现错误或想补充内容？请查看我们的贡献指南。

参考来源¶

免责声明：尽管我们力求准确，复杂度特性仍可能因具体场景、输入规模和实现细节而不同。对性能关键的代码，请始终通过基准测试验证。