空间复杂度（Space Complexity）是对一个算法在运行过程中临时占用存储空间大小的量度，通常用大O表示法表示，记作S（n）=O（f（n）），其中n是输入数据的规模。空间复杂度考虑的存储空间主要包括以下几个方面：
输入空间：
存储输入数据所需的空间大小。
暂存空间：
算法运行过程中，存储所有中间变量和对象等数据所需的空间大小。
输出空间：
算法运行返回时，存储输出数据所需的空间大小。
空间复杂度的计算关注的是除了输入数据以外，算法执行过程中额外使用的存储空间。与时间复杂度类似，空间复杂度也是衡量算法效率的一个重要指标，它帮助我们理解算法对内存资源的需求，尤其是在处理大规模数据时。
空间复杂度的例子包括：
O（1）：表示算法所需的额外存储空间不随输入数据规模的增长而增长，例如简单的加法操作。
O（log N）：常见于采用分治策略的算法，如二分查找。
O（N）：表示算法所需的额外存储空间与输入数据规模成线性关系，例如直接插入排序。
O（N^2）：常见于需要嵌套循环的算法，如冒泡排序。
O（2^N）：表示算法的存储空间需求随输入数据规模的增长而呈指数增长，例如递归算法在未优化的情况下。
理解空间复杂度有助于在设计算法和选择合适的数据结构时做出合理的内存管理决策
