Big-O表示算法的时间复杂度，它衡量了算法在输入规模增加时，运行时间的增长率。精确运行时间是指实际执行算法所需的准确时间。

在计算机科学中，我们经常使用Big-O表示来分析算法的时间复杂度。它可以告诉我们算法在最坏情况下需要执行多少次基本操作。Big-O表示通常用于描述算法的渐进运行时间，即当输入规模趋向无穷时，算法所需的时间。

以下是一些常见的Big-O表示及其对应的示例代码：

1. O(1) - 常数时间复杂度

def print_first_element(lst):
    print(lst[0])

这个函数只打印列表的第一个元素，无论输入列表的长度如何，执行时间都是恒定的。

2. O(n) - 线性时间复杂度

def print_all_elements(lst):
    for element in lst:
        print(element)

这个函数会遍历并打印列表中的所有元素，执行时间与列表的长度成正比。

3. O(n^2) - 平方时间复杂度

def print_all_pairs(lst):
    for i in lst:
        for j in lst:
            print(i, j)

这个函数会打印列表中所有可能的元素对，执行时间与列表的长度的平方成正比。

4. O(log n) - 对数时间复杂度

def binary_search(lst, target):
    low = 0
    high = len(lst) - 1
    while low <= high:
        mid = (low + high) // 2
        if lst[mid] == target:
            return mid
        elif lst[mid] < target:
            low = mid + 1
        else:
            high = mid - 1
    return -1

这个函数使用二分查找算法在有序列表中查找目标元素。每次迭代，它将列表的大小减半，因此执行时间与列表的长度的对数成正比。

请注意，Big-O表示只关注算法的增长率，而不关注具体的常数因子。因此，具有较大常数因子的算法可能在实践中比具有较小常数因子的算法更慢，尽管它们的时间复杂度可能相同。

精确运行时间是指实际执行算法所需的准确时间，通常以秒为单位。可以使用编程语言提供的计时功能来测量算法的精确运行时间。

例如，在Python中，可以使用time模块来计算函数的精确运行时间：

import time

start_time = time.time()
# 执行算法操作
end_time = time.time()

execution_time = end_time - start_time
print("Execution Time:", execution_time)

总结：Big-O表示提供了一种分析算法时间复杂度的方法，它告诉我们算法的运行时间如何随着输入规模的增加而增长。精确运行时间是指实际执行算法所需的准确时间，可以使用计时功能来测量。