这篇主要是对数组实现一个倒排序（比如数组1、2、3，最后输出3、2、1），当然实现这个功能是非常easy的事，但是这里需要引入另外一个很重要的概念-----如何计算一个算法的时间复杂度并学会用大O表达式。我记得之前有次面试，面试官让我写一个查找算法题，经过细心苦想后最终我简单的把它写出来了，然后面试官问我你这样实现那你的时间复杂度是O几呢？当时我一脸懵逼的问：“O几什么意思？时间复杂度我不太会算。”，接着面试官一脸惊诧，当然那场面试也以失败告终，所以在实际面试中只要问到算法相关的题基本上都会有这些知识，所以为了不让自己再丢脸，这里好好学习一下它。
首先来实现这个倒排序，基础代码如下：
接着来思考如何达到我们倒排序的目的呢,如下图：
有了思路之后下面则落实到具体代码上来，如何实现呢？其实也挺简单：用两个变量来表示要交换的数据位置，然后循环一一交换，每循环一次则将当前的数据位置进行改变，改变的思路是左边的位置每次加1，而右边的位置每次减1，这样随着不断循环数据也不断向中间靠扰，于是乎基于这样的思路写出代码：
编译运行：
程序完美实现，现在数组的元素个数是7个，那如果扩大到7000个、70000个呢？该程序能不能在有限的时间有限的内存中也能成功的运行呢？如何来考虑数据变大运行时间要多花多少这个问题呢？每个语句运行就相当于一个指令，而并非每个指令运行时间都会随数据变大而变大，像上面代码中：
下面来推算一下执行时间，并且引入大O表示法：
就拿1000个数据量来算，就要循环1000/2=500次，而这个1000我们用n表示，这时整个函数的运行时间为：
t(n) <= (n/2) * 10 + 2;
⇩
t(n) <= 5 * n + 2;(也就是说时间是随着n的增长而增长，是一个线性正比的关系)
而在计算机领域对于这样的问题可以这样表示：
t(n) <= c0 * n + c1;
而它可以用一个大O来表示它：O(n)
而关于什么是大O表达式，可以参考维基百科：
如图所有：它在分析算法复杂性方面是非常有用的【所以为啥面试官在你写完算法之后都爱问这个复杂度滴问题】,而常见的有下面这些形式化定义：
大O表示法常见的基于N的走势图如下图所示：
其中图中最陡的线则代表随着N越来时间复杂度最高，最耗时~
现在已经知道O(n)的意义了，之后会慢慢再学一些其它的大O表示表，这里再来看一下O(1)这种形式，如图第一项所描述，表示常数，那上面我们的代码中哪种是这样的呢？应该也能想到，常数就是不随n的变化而变化的，那对应代码最明显的就是数据元素的访问，如下：
这篇已经对大O进行引入了，之后还会不断深入了解~