第 16 关 | 经典刷题思想之滑动窗口：1. 青铜挑战——滑动窗口其是很简单

我们在数组和链表部分研究过双指针思想，这里我们继续学习滑动窗口思想。

滑动窗口其实是双指针思想的一种特殊场景，由于这种方式能够很好的解决一些特定场景的问题，因此就有了"滑动窗口思想"。

| 关卡名 | 认识滑动窗口 | 我会了✔️ |
|-----|--------------------------|-------|---|
| 内容 | 1. 复习一维数组，理解双指针的作用和工作原理 | ✔️ |
| | 2. 理解滑动窗口的原理和适用场景 | ✔️ | |
| | 3. 掌握窗口变与不变的两种情况是如何用来解题的 | ✔️ | |

1. 滑动窗口的基本实现

在数组章节我们说过很多算法会大量移动数组中的元素，频繁移动元素会导致执行效率低下或者超时。使用两个变量能比较好的解决很多相关问题，在《一维数组》和《链表》章节我们介绍了很多典型例子，于是这种方式就慢慢演化成了"双指针思想"。

在数组双指针里，我们介绍过"对撞型"和"快慢型"两种方式，而滑动窗口思想其实就是快慢型的特例。学过计算机网络的同学都知道滑动窗口协议（Sliding Window Protocol），该协议是TCP实现流量控制等的核心策略之一。事实上在与流量控制、熔断、限流、超时等场景下都会首先从滑动窗口的角度来思考问题，例如hystrix、sentinel等框架都使用了这种思想。

滑动窗口的思想非常简单，如下图所示，假如窗口的大小是3，当不断有新数据来时，我们会维护一个大小为3的一个区间，超过3的就将新的放入老的移走。

这个过程有点像火车在铁轨上跑，原始数据可能保存在一个很大的空间里(铁轨)，但是我们标记的小区间就像一列长度固定的火车，一直向前走。

有了区间，那我们就可以造题了，例如让你找序列上三个连续数字的最大和是多少，或者子数组平均数是多少（LeetCode643）等等。

从上面的图可以看到，所谓窗口就是建立两个索引，left和right，并且保持{left,right}之间一共有3个元素，然后一边遍历序列，一边寻找，每改变一次就标记一下当前区间的最大值就行了。

这个例子已经告诉我们了什么是窗口、什么是窗口的滑动：

●窗口： 窗口其实就是两个变量left和right之间的元素，也可以理解为一个区间。窗口大小可能固定，也可能变化，如果是固定大小的，那么自然要先确定窗口是否越界，再执行逻辑处理。如果不是固定的，就要先判断是否满足要求，再执行逻辑处理。

●滑动： 说明这个窗口是移动的，事实上移动的仍然是left和right两个变量，而不是序列中的元素。当变量移动的时，其中间的元素必然会发生变化，因此就有了这种不断滑动的效果。

在实际问题中，窗口大小不一定是固定的，我们可以思考两种场景：

1固定窗口的滑动就是火车行驶这种大小不变的移动 。

2可变的窗口就像两个老师带着一队学生外出，一个负责开路，一个负责断后，中间则是小朋友。两位老师之间的距离可能有时大有时小，但是整体窗口是不断滑动的。

根据窗口大小是否固定，可以造出两种类型的题：

1. 如果是固定的，则一般会让你求哪个窗口的元素最大、最小、平均值、和最大、和最小等等类型的问题。
2. 如果窗口是变的，则一般会让你求一个序列里最大、最小窗口是什么等等。

滑动窗口题目本身没有太高的思维含量，但是实际在解题的时候仍然会感觉比较吃力，主要原因有以下几点：

1. 解题最终要落实到数组上，特别是边界处理上，这是容易晕的地方，稍有疏忽就难以得到准确的结果。
2. 有些元素的比较、判断等比较麻烦，不仅要借助集合等工具，而且处理过程中还有一些技巧，如果不熟悉会导致解题难度非常大。
3. 堆！我们在前面介绍过，堆结构非常适合在流数据中找固定区间内的最大、最小等问题。因此滑动窗口经常和堆一起使用可以完美解决很多复杂的问题。

最后一个问题，那双指针和滑动窗口啥区别呢？根据性质我们可以看到，滑动窗口是双指针的一种类型，主要关注两个指针之间元素的情况，因此范围更小一些，而双指针的应用范围更大，花样也更多。

2. 两个入门题

滑动窗口在不同的题目里，根据窗口大小变或者不变，有两种类型。

这里我们就看两个基本的题目。

2.1. 子数组最大平均数

LeetCode 674.最长连续递增序列

给定 n 个整数，找出平均数最大且长度为 k 的连续子数组，并输出该最大平均数。

其中 1<=k<=nums.length<=10^5。

输入：[1,12,-5,-6,50,3], k = 4
输出：12.75
解释：最大平均数 (12-5-6+50)/4 = 51/4 = 12.75

这是典型的滑动窗口，大小都规定了，就是K，那我们只要先读取k个，然后逐步让窗口向前走就可以了，图示与上一节的基本一样。直接看代码：

class Solution {
    public double findMaxAverage(int[] nums, int k) {
        int len = nums.length;
        int windowSum = 0;
        if(k > nums.length || nums.length < 1 || k < 1){
            return 0;
        }

        // 第一步：先求窗口和
        for(int i = 0; i < k;i++){
            windowSum += nums[i];
        }

        // 第二步：遍历，右边每增加一个，左边减去一个，然后重新计算窗口的最大值
        int res = windowSum;
        for(int right = k;right < len; right++){
            windowSum += nums[right] - nums[right - k];
            res = Math.max(res,windowSum);
        }
        return (double) res/k;
    }
}

def findMaxAverage(self, nums, k):
        low = 0
        all = sum(nums[0:k])
        avg = all
        for i in range(k, len(nums)):
            all = all + nums[i] - nums[low]
            low += 1
            avg = max(avg, all)
        return avg / k

int fmax(int maxSum, int sum)
{
    if (maxSum > sum)
    {
        return maxSum;
    }
    return sum;
}
double findMaxAverage(int *nums, int numsSize, int k)
{
    int sum = 0;
    for (int i = 0; i < k; i++)
    {
        sum += nums[i];
    }
    int maxSum = sum;
    for (int i = k; i < numsSize; i++)
    {
        sum = sum - nums[i - k] + nums[i];
        maxSum = fmax(maxSum, sum);
    }
    return (double)(maxSum) / k;
}

2.2. 最长连续递增序列

我们再看一个窗户变化的情况。LeetCode674.给定一个未经排序的整数数组，找到最长且连续递增的子序列，并返回该序列的长度。

输入：nums = [1,3,5,4,7]
输出：3
解释：最长连续递增序列是 [1,3,5], 长度为3。
尽管 [1,3,5,7] 也是升序的子序列, 但它不是连续的，因为 5 和 7 在原数组里被 4 隔开。

为了方便演示，我们将示例序列再增加几个元素{1,3,5,4,7,8,9,2}，则图示如下，题目要求找到最长的连续递增子序列。

可以看到，最长递增子序列为{4,7,8,9}所以应该返回4。所以在遍历的时候，我们可以从第 2 个元素开始，先定义[left,right)的区间来表示当前的递增区间，执行如下操作：

• 如果当前遍历到的元素比它左边的那一个元素要严格大，right就增加；
• 否则就将left跳到right的起始位置，重新开始计算。

class Solution {
    public int findLengthOfLCIS(int[] nums) {
        int left = 0,right= 0;
        int res = 0;
        while(right < nums.length){
            // 右侧的新元素比左侧小，则重新开始记录 left 的位置
            //该问题本质就是快慢指针，left就是slow指针
            if(right > 0 && nums[right - 1] >= nums[right]){
                left = right;
            }
            right++;
            res = Math.max(res,right - left);
        }
        return res;
    }
}

def findLengthOfLCIS(self, nums):
    ans = 0
    n = len(nums)
    start = 0
    for i in range(n):
        if i > 0 and nums[i] <= nums[i - 1]:
            start = i
        ans = max(ans, i - start + 1)
    return ans

int findLengthOfLCIS(int* nums, int numsSize) {
    int left = 0, right = 0, res = 0;
    while (right < numsSize) {
        // 右侧的新元素比左侧的小，则重新开始记录left位置
        if (right > 0 && nums[right - 1] >= nums[right]) {
            left = right;
        }
        right++;
        res = res > right - left ? res : right - left;
    }
    return res;
}

上面代码中，序列在[left..right) 严格单调递增，区间的长度为right - left。

本题还有多种解法，另外一种简易的思路是一边遍历，一边统计每个递增区间的长度，如果长度超过之前所有区间的长度，就将其保留，代码如下：

class Solution {
    public int findLengthOfLCIS(int[] nums) {
        int curLen = 1;//当前递增区间的长度
        int res = 1;
        for(int i = 1;i < nums.length;i++){
            if(nums[i - 1] >= nums[i]){
                //不满足要求，重新进行数字计算
                curLen = 1;
            }else{
                curLen++;
            }
            res = Math.max(curLen,res);
        }
        return res;
    }
}

def findLengthOfLCIS2(self, nums):
    cur_len = 1
    res = 1
    for i in range(len(nums)):
        if nums[i - 1] > nums[i]:
            cur_len = 1
        else:
            cur_len = cur_len + 1
        res = max(cur_len, res)
    return res

int findLengthOfLCIS(int* nums, int numsSize) {
    int curLen = 1; // 当前连续递增区间的长度
    int res = 1; // 最大长度
    for (int i = 1; i < numsSize; i++) {
        if (nums[i - 1] >= nums[i]) { // 不满足要求，重新开始计数
            curLen = 1;
        } else {
            curLen++;
        }
        res = max(curLen, res); // 更新最大长度
    }
    return res;
}

如果不知道滑动窗口，本题也能做，这里只是将其明确了一下，所以滑动窗口就是个名字，不要被这些概念吓到。

3. 通关文牒

本文的重点就是理解滑动窗口的原理，将上面的内容理解清楚。