算法1：给定一个整数数组和一个目标值，找出数组中和为目标值的两个数的index值。
三种解决方法：
1、暴力法：遍历每个num，查找目标元素target-num
class Solution:
def twoSum(self, nums, target):
"""
:type nums: List[int]
:type target: int
:rtype: List[int]
"""
n = len(nums)
for i in range(0,n):
for j in range(i+1,n):
if nums[j] == target - nums[i]:
return [i,j]
nums = [2, 7, 11, 15]
target = 9
twoSumExp = Solution()
print(twoSumExp.twoSum(nums, target)) 时间复杂度：O(n2)，其中，对于每个num，查找目标元素target-num的复杂度为O(n)
空间复杂度：O(1)
2、两次哈希表法：第一次循环，创建数组中值和索引的字典；第二次循环，从字典中找出target-num对应值。
class Solution:
def twoSum(self, nums, target):
"""
:type nums: List[int]
:type target: int
:rtype: List[int]
"""
numsDict = {}
n = len(nums)
for i in range(0,n):
numsDict[nums[i]] = i
for j in range(0,1):
num2 = target - nums[j]
if num2 in nums and numsDict.get(num2)!=j:
return [j,numsDict[num2]]
nums = [2, 7, 11, 15]
target = 9
twoSumExp = Solution()
print(twoSumExp.twoSum(nums, target))时间复杂度：O(n)，虽然也将列表遍历了两遍，但是字典的查找时间为O(1)
空间复杂度：O(n)，创建了一个哈希表
降低了时间复杂度，增加了空间复杂度
3.一次哈希表法：在创建数组中值和索引的字典时，返回去检查是否存在当前元素所对应的元素。
class Solution:
def twoSum(self, nums, target):
"""
:type nums: List[int]
:type target: int
:rtype: List[int]
"""
numsDict = {}
n = len(nums)
for i in range(0,n):
numsDict[nums[i]] = i
j = numsDict.get(target - nums[i],-1)
if j != -1 and j != i:
return [j,i]
nums = [2, 7, 11, 15]
target = 9
twoSumExp = Solution()
print(twoSumExp.twoSum(nums, target))时间复杂度：O(n)，遍历加查找一次
空间复杂度：O(n)，创建一个哈希表
补充知识：算法复杂度*
算法复杂度包括时间复杂度和空间复杂度。
1.算法的时间复杂度
（1）定义：时间复杂度是指执行算法所需要的计算工作量。一般，算法的工作量用其执行的基本运算次数来度量，而算法执行的基本运算次数是问题规模的函数。
（2）在同一个问题规模下，用平均性态和最坏情况来分析。一般情况下，用最坏情况的复杂度来分析算法的时间复杂度。
（3）几种常见时间复杂度
[1]常数阶：运行次数与问题规模无关，执行时间恒定的算法，称为O(1）时间复杂度。一般顺序结构和单纯的分支结构（如if语句，不论真或假）执行次数不会随问题规模变化，时间复杂度是O(1)；
[2]线性阶：确定某个算法的阶次，需确定某个特定语句或某个特定语句块运行的次数。算法的阶次的确定主要关注循环结构的运行情况。一般情况下，当单个for循环中循环条件与问题规模有关时，其时间复杂度为O(n)
[3]平方阶：当嵌套的两个for 循环中循环条件都与问题规模有关时，时间复杂度为O(2)。
如果外循环的循环次数改为m，则时间复杂度为O(m*n)。
即，循环的时间复杂度等于循环体的复杂度乘以该循环运行的次数。
[4]立方阶：与线性阶或平方阶类似，立方阶一般出现在三个for循环嵌套的循环中。但是，三个for循环嵌套，算法的复杂度不一定为O(3)。
[5]对数阶：时间复杂度为O( logn)
如下例，num乘上多少个2后能大于n,即2**x = n，则x = logn
num = 1
while num < n:
num *= 2常用时间复杂度所耗费的时间从大到小：
O(n**2)>O(nlogn)>O(n)>O(logn)>O(1)
(4)举例说明：
for i in range(n):
for j in range(i,n):
pass分析：当i=0时，内循环次数为n;当n=1时，内循环次数为n-1;…当n=n-1时，内循环次数为1.
则运行总次数为n +(n-1)+(n-2)+….1=(n(n+1))/2=(n^2/2)+n/2
只保留最高项；不考虑乘除因子
则，该算法的复杂度为O(2)
2.算法的空间复杂度
(1)定义：空间复杂度是指执行这个算法所需要的内存空间。
(2)一般，可以创建一个新的辅助存储结构，通过牺牲空间复杂度来换取时间复杂度。
(3) 一般情况下，执行程序时，除了需要存储程序本身的指令、常数、变量和输入数据外，还需要存储对数据操作的存储单元。若输入数据所占空间只取决于问题本身，和算法无关，这样只需要分析该算法在实现时所需的辅助单元即可。若算法执行时所需的辅助空间相对于输入数据量是个常数，则称此算法的空间复杂度为0(1)。
欢迎批评指正！！！