List
ArrayList LinkedList
Arraylist 可增长的数组长度 查询快 get（） set（） 常数级
插入和现有所有项的删除代价昂贵 除非在表的末端
ArrayList 是线性表（数组）
get() 直接读取第几个下标，复杂度 O(1)
add(E) 添加元素，直接在后面添加，复杂度O（1）
add(index, E) 添加元素，在第几个元素后面插入，后面的元素需要向后移动，复杂度O（n）
remove（）删除元素，后面的元素需要逐个移动，复杂度O（n）
总结：查 O（1） 增 末尾0（1）中间0（n） 删0（n）
移动是消耗时间复杂度的
LinkedList 双链表 删快
新项的插入和现有项的删除都是非常的快
在表的前端添加和删除都是常数级
addFrist removeFrist addLast removeLast getFirst getLast
但是不容易做索引
LinkedList 是链表的操作
get() 获取第几个元素，依次遍历，复杂度O(n)
add(E) 添加到末尾，复杂度O(1)
add(index, E) 添加第几个元素后，需要先查找到第几个元素，直接指针指向操作，复杂度O(n)
remove（）删除元素，直接指针指向操作，复杂度O(1)
总结：查 O（n） 增 末尾O（1）中间O（n） 删O（1）
Set集合有三个常见的实现类：HashSet，TreeSet，LinkedHashSet。
简单的说，如果你关注性能，应该使用HashSet；
如果你需要一个有序的Set集合，应该使用TreeSet；
如果你需要一个Set集合保存了原始的元素插入顺序，应该使用LinkedHashSet。
HashSet是基于散列表实现的，元素没有顺序；add、remove、contains方法的时间复杂度为O(1)。(contains为false时，就直接往集合里存)
总结：查 O（1） 增 O（1） 删O（1）
TreeSet是基于树实现的（红黑树），元素是有序的；add、remove、contains方法的时间复杂度为O(log (n))(contains为false时，插入前需要重新排序)。
总结：查 O（log n） 增 O（log n） 删O（log n）
因为元素是有序的，它提供了若干个相关方法如first(), last(), headSet(), tailSet()等；
LinkedHashSet介于HashSet和TreeSet之间，是基于哈希表和链表实现的，支持元素的插入顺序；基本方法的时间复杂度为O(1)；
待定
总结：查 O（1） 增 O（1） 删O（1）
map集合有三个常见的实现类：HashMap，TreeMap，LinkedHashMap。
TreeMap基于红黑树（一种自平衡二叉查找树）实现的，时间复杂度平均能达到O(log n)。
HashMap是基于散列表实现的，时间复杂度平均能达到O(1)。正常是O(1)到O（n） jdk1.8添加了 红黑树 是 O（log n）
TreeMap的get操作的时间复杂度是O(log(n))的，相比于HashMap的O(1)还是差不少的。
LinkedHashMap的出现就是为了平衡这些因素，能以O(1)时间复杂度查找元素，又能够保证key的有序性
在描述算法复杂度时,经常用到o(1), o(n), o(logn), o(nlogn)来表示对应算法的时间复杂度, 这里进行归纳一下它们代表的含义:
这是算法的时空复杂度的表示。不仅仅用于表示时间复杂度，也用于表示空间复杂度。
O后面的括号中有一个函数，指明某个算法的耗时/耗空间与数据增长量之间的关系。其中的n代表输入数据的量。
比如时间复杂度为O(n)，就代表数据量增大几倍，耗时也增大几倍。比如常见的遍历算法。
比如时间复杂度O(n^2)，就代表数据量增大n倍时，耗时增大n的平方倍，这是比线性更高的时间复杂度。比如冒泡排序，就是典型的O(n^2)的算法，对n个数排序，需要扫描n×n次。
比如O(logn)，当数据增大n倍时，耗时增大logn倍（这里的log是以2为底的，比如，当数据增大256倍时，耗时只增大8倍，是比线性还要低的时间复杂度）。二分查找就是O(logn)的算法，每找一次排除一半的可能，256个数据中查找只要找8次就可以找到目标。
O(nlogn)同理，就是n乘以logn，当数据增大256倍时，耗时增大256*8=2048倍。这个复杂度高于线性低于平方。归并排序就是O(nlogn)的时间复杂度。
O(1)就是最低的时空复杂度了，也就是耗时/耗空间与输入数据大小无关，无论输入数据增大多少倍，耗时/耗空间都不变。 哈希算法就是典型的O(1)时间复杂度，无论数据规模多大，都可以在一次计算后找到目标（不考虑冲突的话）
