写程序的时候，很多人只关心功能能不能实现，却忽略了代码跑得快不快。比如你写了个查找文件的小工具，处理几百个文件还行，结果一碰到上万文件就开始卡顿，这时候就得回头看看算法是不是“太笨”了。
别光看运行时间
最直接的办法是测运行时间，比如用 Python 的 time 模块：
import time
start = time.time()
# 运行你的算法
end = time.time()
print(f"耗时: {end - start} 秒")但这个方法有坑。同一段代码，电脑刚开机跑一次，开了一堆浏览器再跑一次，时间可能差很多。外设、内存占用、后台进程都会干扰结果。所以单靠“秒表计时”不够准。
看复杂度才是正道
真正靠谱的是分析时间复杂度。比如你遍历一个列表找某个值，那就是 O(n)；如果是嵌套两层循环处理数据，基本就是 O(n²)，数据量一大，速度断崖式下跌。
举个例子，你在写个去重功能。用 list 逐个比对，每加一个元素都扫一遍已有的，这效率就是 O(n²)。换成 set 呢？插入和查找平均只要 O(1)，速度提升可能是几十倍都不止。
小数据也得讲究
有人觉得“我数据就这么点，随便写写就行”。可现实是，今天一百条数据，明天产品经理说要导入历史记录，一下变成十万条。等用户投诉卡死了再改，不如一开始就把效率当回事。
比如排序，Python 内置的 sorted() 是 Timsort，平均 O(n log n)，比你自己写的冒泡排序 O(n²) 强太多。别为了炫技手撸算法，善用语言自带的高效工具。
空间换时间很常见
有时候多花点内存，能换来速度飞跃。比如你要频繁判断某个用户名是否存在，每次都去查数据库或遍历列表太慢。不如启动时把所有名字加载到 set 里，内存多占点，但查询几乎瞬间完成。
当然也不能无脑堆内存。得看场景：服务器内存充足，优先保响应速度；嵌入式设备内存紧张，就得精打细算。
实际测试别偷懒
理论归理论，实测不能少。可以用 Python 的 cProfile 看哪一行拖了后腿：
import cProfile
cProfile.run('your_function()')它会告诉你每个函数调用了几次，花了多少时间。有时候你以为慢的是算法，结果发现是读文件太慢，或者日志打印太多。问题定位准了，优化才有效。
算法效率不是高手专属，而是每个写代码的人都该养成的习惯。从写第一行循环开始，就想想“它会不会越跑越慢”，久而久之，代码自然更经得起考验。