1、在采用大o表示法分析时间复杂度时，低阶项、常数项及系数均被舍去，仅保留决定增长速率的最高阶项。其核心依据是算法中基本操作执行次数的数量级。由于各类语句的实际耗时存在差异且难以精确量化，复杂度刻画的是运行时间随输入规模扩大所呈现的趋势性变化，而非具体执行时长。
2、一般而言，O(nlogn) 时间复杂度的算法优于 O(n²) 算法，但该结论更适用于大规模数据场景。当输入规模较小时，理论上的复杂度优势未必能体现为实际性能提升；受实现细节、常数开销等因素影响，有时复杂度更低的算法反而运行更慢。
3、时间复杂度的比较前提在于：问题定义一致、输入数据类型相同。若问题本质或数据结构发生改变，不同算法的复杂度便失去可比性，因其衡量基准已不再统一。
4、在常规开发实践中，面对小规模数据，简单算法与优化算法之间的性能差距往往微乎其微。若某段逻辑调用频次不高，且不属于系统关键路径，则应优先选择易于编写、调试和维护的方案，而非盲目追求理论最优。
5、在真实工程环境中，熟悉经典数据结构与算法只是基础能力。更具挑战性的是对业务需求的深度剖析与抽象建模。尤其在面对模糊、多变、边界不清的实际问题时，需结合领域知识开展调研、观察与合理推断，精准识别数据形态、访问模式与约束条件，从而设计出贴合场景的高效解法——这才是综合工程素养的关键体现。
6、当数据驻留在磁盘（例如关系型数据库或文件系统）中时，性能瓶颈通常不在于计算逻辑本身，而在于磁盘I/O延迟。此时优化重点应转向数据组织方式、批量读写策略以及缓存机制设计，力求降低磁盘访问频次，从而显著改善整体响应效率。
