为何多数Big-O主题文章仅将Space Complexity作为附注，相关资料极少？

• 历史与硬件发展的惯性
  早期计算机内存昂贵且容量有限，空间曾是核心瓶颈，但随着内存成本暴跌、容量指数级增长，多数场景下只要空间占用不触发内存溢出，用户或开发者几乎不会感知到影响。反观时间复杂度直接关联程序运行速度，慢程序的体验劣势肉眼可见，自然成为讨论核心。

• 时间复杂度更具直观性与对比性
  比如排序算法，O(n²)的冒泡排序和O(n log n)的快速排序，运行效率差异在数据量增大时极其明显；但空间复杂度的差异（比如快速排序的O(log n)栈空间 vs 归并排序的O(n)辅助空间），除非处理超大规模数据，否则很难直观感受到区别。这种感知差异让时间复杂度更受关注。

• 基础算法的空间复杂度相对固定且优化空间有限
  多数经典基础算法的空间复杂度要么是O(1)（原地操作，比如原地快排、冒泡排序），要么是O(n)（需辅助存储，比如归并排序），可选的优化方向远少于时间复杂度。比如时间复杂度可以从暴力的O(n²)优化到O(n log n)甚至O(n)，但空间复杂度的优化往往只能在“原地”和“非原地”之间做选择，讨论深度和广度都不如时间复杂度。

• 开发场景的优先级导向
  在绝大多数业务开发中，程序的响应速度直接影响用户留存（比如网页加载慢、接口超时会导致用户流失），而内存占用只要在合理范围内，不会直接影响核心业务指标。这种业务优先级差异，使得开发者和内容创作者更倾向于聚焦时间复杂度的优化与讲解。

内容的提问来源于stack exchange，提问作者Hamza Baig