在Python中，计算算法的时间复杂度通常遵循以下步骤：
确定时间频度：
分析代码中每个操作的执行次数，记为T（n），其中n是输入数据规模的大小。
化简时间频度：
去掉时间频度表达式中的常数项、低阶项和最高次项的系数，只保留最高次项。
表示时间复杂度：
使用大O表示法（O-notation）来表示化简后的时间频度，即O（f（n）），其中f（n）是最高次项的表达式。
举个例子，如果有一个算法的时间频度是T（n）= 3n² + 6n + 5，那么化简后得到的时间复杂度是O（n²），因为n²是最高次项。
O（1）：常数时间复杂度，例如访问列表中的元素或执行算术运算。
O（n）：线性时间复杂度，例如遍历一个列表或求列表的长度。
O（log n）：对数时间复杂度，例如二分查找算法。
O（n²）：平方时间复杂度，例如嵌套循环的每一层迭代次数都是n。
O（n log n）：对数线性时间复杂度，例如快速排序和归并排序算法。
O（2^n）：指数时间复杂度，例如穷举法求解某些组合问题。
Python内置函数的时间复杂度示例：
`list.append（value）`：O（1），因为添加元素到列表末尾通常是一个恒定时间操作。
`list.sort（）`：O（n log n），因为Python内置的排序算法（Timsort）的平均和最坏情况时间复杂度都是O（n log n）。
请注意，实际运行时间也会受到电脑配置等因素的影响，因此理论上的时间复杂度分析是算法性能评估的重要部分。