vname1为v1，vname2为v2，vname3为v3 编译器会根据初始化的值自动推导出相应的类型 */ vname1, vname2, vname3 := v1, v2, v3 现在是不是看上去非常简洁了？:=这个符号直接取代了var和type,这种形式叫做简短声明。不过它有一个限制，那 就是它只能用在函数内部；在函数外部使用则会无法编译通过，所以一般用var方式来定义全局变量。 _（下划线）是个特殊的变量名 bool // 一般声明 valid := false // 简短声明 available = true // 赋值操作 } 数值类型 数值类型 整数类型有无符号和带符号两种。Go同时支持int和uint，这两种类型的长度相同，但具体长度取决于不同编译器的 实现。当前的gcc和gccgo编译器在32位和64位平台上都使用32位来表示int和uint，但未来在64位平台上可能增加到 _ "github.com/mattn/go-sqlite3" ) 新手都会被这个_所迷惑，其实这个就是Go设计的巧妙之处，我们在变量赋值的时候经常看到这个符号，它是用来忽 略变量赋值的占位符，那么包引入用到这个符号也是相似的作用，这儿使用_的意思是引入后面的包名而不直接使用 这个包中定义的函数，变量等资源。 我们在2.3节流程和函数的一节中介绍过init函数的初始化过程，包在引

速迁移。 1.2.4 指导设计原则 Go语言通过减少关键字的数量（25 个）来简化编码过程中的混乱和复杂度。干净、整齐和简洁的语法也 能够提高程序的编译速度，因为这些关键字在编译过程中少到甚至不需要符号表来协助解析。 这些方面的工作都是为了减少编码的工作量，甚至可以与 Java 的简化程度相比较。 Go 语言有一种极简抽象艺术家的感觉，因为它只提供了一到两种方法来解决某个问题，这使得开发者们 节）进行编译工作，这对语言本身拥有更好的编码规范起到很大帮 助。 LALR 是 Go 语言的语法标准，你也可以在 src/cmd/internal/gc/go.y 中查看到，这种语法标准在编译 时不需要符号表来协助解析。 1.2.5 语言的特性 Go 语言从本质上（程序和结构方面）来实现并发编程。 Go入门指南 - 9 - 本文档使用 看云 构建 因为 Go 语言没有类和继承的概念，所以它和 .a （AR 文档）。 Go 语言的标准库（第 9.1 节）包文件在被安装后就是使用这种格式的文件。 注意 当你在创建目录时，文件夹名称永远不应该包含空格，而应该使用下划线 "_" 或者其它一般符号 代替。 2.2 Go 环境变量 Go 开发环境依赖于一些操作系统环境变量，你最好在安装 Go 之间就已经设置好他们。如果你使用的是 Windows 的话，你完全不用进行手动设置，Go 将被默认安装在目录

也叫短路与; 如果第一个条件为 false , 则第二个条件不会判断，最终结果为 false 变量 语法基础 Hello World 语法基础 组成 关键字 标识符 变量 字符串 符号 分隔符 Go 语言一行代表一个语句的结束，不像 C 家族语言一样以分号结束 如果一个语句写多行就需要加一个分号，不推荐 字符串连接 Go 语言字符串连接通过 `+` 实现 案例 ： fmt 数字类型 uint8 无符号 8 位整性 0 - 256 uint16 无符号 16 位整型 (0 到 65535) uint32 无符号 32 位整型 (0 到 4294967295) uint64 无符号 64 位整型 (0 到 18446744073709551615) int8 有符号 8 位整型 (-128 到 127) int16 有符号 16 位整型 (-32768 (-32768 到 32767) int32 有符号 32 位整型 (-2147483648 到 2147483647) int64 有符号 64 位整型 (-9223372036854775808 到 9223372036854775807) 浮点类型 float32 IEEE-754 32位浮点型数 float64 IEEE-754 64位浮点型数 complex64 32 位实数和虚数

，则以上函数的操作数量为： ?(?) = 3 + 2? ?(?) 是一次函数，说明其运行时间的增长趋势是线性的，因此它的时间复杂度是线性阶。 我们将线性阶的时间复杂度记为 ?(?) ，这个数学符号称为大 ? 记号（big‑? notation），表示函数 ?(?) 的 渐近上界（asymptotic upper bound）。 时间复杂度分析本质上是计算“操作数量 ?(?)”的渐近上界，它具有明确的数学定义。 但对于较为复杂的算法，计算平均时间复杂度往往比较困难，因为很难分析出在数据分布下的整体数学期望。 在这种情况下，我们通常使用最差时间复杂度作为算法效率的评判标准。 为什么很少看到 Θ 符号？ 可能由于 ? 符号过于朗朗上口，因此我们常常使用它来表示平均时间复杂度。但从严格意义上讲，这 种做法并不规范。在本书和其他资料中，若遇到类似“平均时间复杂度 ?(?)”的表述，请将其直接 理解为 Θ( 时间复杂度用于衡量算法运行时间随数据量增长的趋势，可以有效评估算法效率，但在某些情况下可 能失效，如在输入的数据量较小或时间复杂度相同时，无法精确对比算法效率的优劣。 ‧ 最差时间复杂度使用大 ? 符号表示，对应函数渐近上界，反映当 ? 趋向正无穷时，操作数量 ?(?) 的 增长级别。 ‧ 推算时间复杂度分为两步，首先统计操作数量，然后判断渐近上界。 ‧ 常见时间复杂度从低到高排列有 ?(1)、

，则以上函数的操作数量为： ?(?) = 3 + 2? ?(?) 是一次函数，说明其运行时间的增长趋势是线性的，因此它的时间复杂度是线性阶。 我们将线性阶的时间复杂度记为 ?(?) ，这个数学符号称为「大 ? 记号 big‑? notation」，表示函数 ?(?) 的「渐近上界 asymptotic upper bound」。 时间复杂度分析本质上是计算“操作数量 ?(?)”的渐近上界，它具有明确的数学定义。 但对于较为复杂的算法，计算平均时间复杂度往往比较困难，因为很难分析出在数据分布下的整体数学期望。 在这种情况下，我们通常使用最差时间复杂度作为算法效率的评判标准。 � 为什么很少看到 Θ 符号？ 可能由于 ? 符号过于朗朗上口，因此我们常常使用它来表示平均时间复杂度。但从严格意义 上讲，这种做法并不规范。在本书和其他资料中，若遇到类似“平均时间复杂度 ?(?)”的表 述，请将其直接理解为 Θ( 时间复杂度用于衡量算法运行时间随数据量增长的趋势，可以有效评估算法效率，但在某些情况下可 能失效，如在输入的数据量较小或时间复杂度相同时，无法精确对比算法效率的优劣。 ‧ 最差时间复杂度使用大 ? 符号表示，对应函数渐近上界，反映当 ? 趋向正无穷时，操作数量 ?(?) 的 增长级别。 ‧ 推算时间复杂度分为两步，首先统计操作数量，然后判断渐近上界。 ‧ 常见时间复杂度从低到高排列有 ?(1)、

，则以上函数的操作数量为： ?(?) = 3 + 2? ?(?) 是一次函数，说明其运行时间的增长趋势是线性的，因此它的时间复杂度是线性阶。 我们将线性阶的时间复杂度记为 ?(?) ，这个数学符号称为大 ? 记号（big‑? notation），表示函数 ?(?) 的 渐近上界（asymptotic upper bound）。 时间复杂度分析本质上是计算“操作数量 ?(?)”的渐近上界，它具有明确的数学定义。 但对于较为复杂的算法，计算平均时间复杂度往往比较困难，因为很难分析出在数据分布下的整体数学期望。 在这种情况下，我们通常使用最差时间复杂度作为算法效率的评判标准。 为什么很少看到 Θ 符号？ 可能由于 ? 符号过于朗朗上口，因此我们常常使用它来表示平均时间复杂度。但从严格意义上讲，这 种做法并不规范。在本书和其他资料中，若遇到类似“平均时间复杂度 ?(?)”的表述，请将其直接 理解为 Θ( 时间复杂度用于衡量算法运行时间随数据量增长的趋势，可以有效评估算法效率，但在某些情况下可 能失效，如在输入的数据量较小或时间复杂度相同时，无法精确对比算法效率的优劣。 ‧ 最差时间复杂度使用大 ? 符号表示，对应函数渐近上界，反映当 ? 趋向正无穷时，操作数量 ?(?) 的 增长级别。 ‧ 推算时间复杂度分为两步，首先统计操作数量，然后判断渐近上界。 ‧ 常见时间复杂度从低到高排列有 ?(1)、

2. 复杂度 hello‑algo.com 17 } } ?(?) 是一次函数，说明时间增长趋势是线性的，因此可以得出时间复杂度是线性阶。 我们将线性阶的时间复杂度记为 ?(?) ，这个数学符号称为「大 ? 记号 Big‑? Notation」，表示函数 ?(?) 的「渐近上界 Asymptotic Upper Bound」。 推算时间复杂度本质上是计算“操作数量函数 ?(?)”的渐近 地分析出在数据分 布下的整体数学期望。在这种情况下，我们通常使用最差时间复杂度作为算法效率的评判标准。 2. 复杂度 hello‑algo.com 28 � 为什么很少看到 Θ 符号？ 可能由于 ? 符号过于朗朗上口，我们常常使用它来表示「平均复杂度」，但从严格意义上看， 这种做法并不规范。在本书和其他资料中，若遇到类似“平均时间复杂度 ?(?)”的表述，请 将其直接理解为 Θ(?) 时间复杂度用于衡量算法运行时间随数据量增长的趋势，可以有效评估算法效率，但在某些情况下可 能失效，如在输入数据量较小或时间复杂度相同时，无法精确对比算法效率的优劣。 ‧ 最差时间复杂度使用大 ? 符号表示，即函数渐近上界，反映当 ? 趋向正无穷时，?(?) 的增长级别。 ‧ 推算时间复杂度分为两步，首先统计计算操作数量，然后判断渐近上界。 ‧ 常见时间复杂度从小到大排列有 ?(1) , ?(log

，则以上函数的的操作数量为： ?(?) = 3 + 2? ?(?) 是一次函数，说明其运行时间的增长趋势是线性的，因此它的时间复杂度是线性阶。 我们将线性阶的时间复杂度记为 ?(?) ，这个数学符号称为「大 ? 记号 big‑? notation」，表示函数 ?(?) 的「渐近上界 asymptotic upper bound」。 时间复杂度分析本质上是计算“操作数量函数 ?(?)”的渐近上界，其具有明确的数学定义。 但对于较为复杂的算法，计算平均时间复杂度往往是比较困难的，因为很难分析出在数据分布下的整体数学 期望。在这种情况下，我们通常使用最差时间复杂度作为算法效率的评判标准。 � 为什么很少看到 Θ 符号？ 可能由于 ? 符号过于朗朗上口，我们常常使用它来表示平均时间复杂度。但从严格意义上看， 这种做法并不规范。在本书和其他资料中，若遇到类似“平均时间复杂度 ?(?)”的表述，请 将其直接理解为 Θ(?) 时间复杂度用于衡量算法运行时间随数据量增长的趋势，可以有效评估算法效率，但在某些情况下可 能失效，如在输入的数据量较小或时间复杂度相同时，无法精确对比算法效率的优劣。 ‧ 最差时间复杂度使用大 ? 符号表示，对应函数渐近上界，反映当 ? 趋向正无穷时，操作数量 ?(?) 的 增长级别。 ‧ 推算时间复杂度分为两步，首先统计操作数量，然后判断渐近上界。 ‧ 常见时间复杂度从小到大排列有 ?(1)、

// +1 fmt.Println(a) // +1 } } ?(?) 是个一次函数，说明时间增长趋势是线性的，因此易得时间复杂度是线性阶。 我们将线性阶的时间复杂度记为 ?(?) ，这个数学符号被称为「大 ? 记号 Big‑? Notation」，代表函数 ?(?) 的「渐近上界 asymptotic upper bound」。 我们要推算时间复杂度，本质上是在计算「操作数量函数 ?( 下的整体数学期望。这种情况下，我们一般使用最差时间复杂度来作为算法效率的评判标准。 2. 复杂度分析 hello‑algo.com 27 � 为什么很少看到 Θ 符号？ 实际中我们经常使用「大 ? 符号」来表示「平均复杂度」，这样严格意义上来说是不规范的。这 可能是因为 ? 符号实在是太朗朗上口了。如果在本书和其他资料中看到类似 平均时间复杂度 ?(?) 的表述，请你直接理解为 Θ(?) 即可。 2.3. 空间复杂度 ‧「时间复杂度」统计算法运行时间随着数据量变大时的增长趋势，可以有效评估算法效率，但在某些情况 下可能失效，比如在输入数据量较小或时间复杂度相同时，无法精确对比算法效率的优劣性。 ‧「最差时间复杂度」使用大 ? 符号表示，即函数渐近上界，其反映当 ? 趋于正无穷时，?(?) 处于何种增 长级别。 ‧ 推算时间复杂度分为两步，首先统计计算操作数量，再判断渐近上界。 ‧ 常见时间复杂度从小到大排列有 ?(1)

// +1 fmt.Println(a) // +1 } } ?(?) 是个一次函数，说明时间增长趋势是线性的，因此易得时间复杂度是线性阶。 我们将线性阶的时间复杂度记为 ?(?) ，这个数学符号被称为「大 ? 记号 Big‑? Notation」，代表函数 ?(?) 的「渐近上界 asymptotic upper bound」。 我们要推算时间复杂度，本质上是在计算「操作数量函数 ?( 下的整体数学期望。这种情况下，我们一般使用最差时间复杂度来作为算法效率的评判标准。 2. 复杂度分析 hello‑algo.com 27 � 为什么很少看到 Θ 符号？ 实际中我们经常使用「大 ? 符号」来表示「平均复杂度」，这样严格意义上来说是不规范的。这 可能是因为 ? 符号实在是太朗朗上口了。如果在本书和其他资料中看到类似 平均时间复杂度 ?(?) 的表述，请你直接理解为 Θ(?) 即可。 2.3. 空间复杂度 时间复杂度统计算法运行时间随着数据量变大时的增长趋势，可以有效评估算法效率，但在某些情况下 可能失效，比如在输入数据量较小或时间复杂度相同时，无法精确对比算法效率的优劣性。 ‧ 最差时间复杂度使用大 ? 符号表示，即函数渐近上界，其反映当 ? 趋于正无穷时，?(?) 处于何种增长 级别。 ‧ 推算时间复杂度分为两步，首先统计计算操作数量，再判断渐近上界。 ‧ 常见时间复杂度从小到大排列有 ?(1)