时间复杂度三个符号，举个例子并给出代码来说明

时间复杂度是用来衡量算法运行效率的一个指标，通常用大O记法表示，它关注的是随着输入数据规模增长，算法所需的时间增长趋势。常见的时间复杂度有三种基本符号：

1. O(1)：常数时间复杂度，比如查找数组中的某个元素，如果数组已经有序并且通过索引直接访问，无论数组大小如何，查找时间都是固定的。

def find_element(arr, target):
    return arr.index(target)

在这个例子中，不管`arr`长度是多少，`find_element`函数总是花费相同的时间。

2. O(n)：线性时间复杂度，例如遍历数组寻找目标值，数组越长，需要检查的元素就越多。

def linear_search(arr, target):
    for i in range(len(arr)):
        if arr[i] == target:
            return i
    return -1

数组长度翻倍，搜索时间也翻倍。

3. O(n^2)：二次时间复杂度，如嵌套循环，每增加一倍数据量，所需时间将变为原来的四倍。

def quadratic_search(arr, target):
    for i in range(len(arr)):
        for j in range(i, len(arr)):
            if arr[j] == target:
                return j
    return -1

同样，这里两个嵌套循环会使得搜索次数成平方关系增长。