其他系列文章导航
文章目录
[2.1 方法一：滑动窗口](#2.1 方法一：滑动窗口)
[2.2 滑动窗口解题模板](#2.2 滑动窗口解题模板)
[3.1 方法一：滑动窗口](#3.1 方法一：滑动窗口)
[4.1 方法一：滑动窗口](#4.1 方法一：滑动窗口)
前言
这是力扣的 1004 题，难度为中等，解题方案有很多种，本文讲解我认为最奇妙的一种。
又是一道滑动窗口的典型例题，可以帮助我们巩固滑动窗口算法。
这道题很活灵活现，需要加深对题意的变相理解。
一、题目描述
给定一个二进制数组 nums 和一个整数 k，如果可以翻转最多 k 个 0 ，则返回 数组中连续 1 的最大个数 。
示例 1：
输入：nums = [1,1,1,0,0,0,1,1,1,1,0], K = 2 输出：6 解释：[1,1,1,0,0,1,1,1,1,1,1] 粗体数字从 0 翻转到 1，最长的子数组长度为 6。
示例 2：
输入：nums = [0,0,1,1,0,0,1,1,1,0,1,1,0,0,0,1,1,1,1], K = 3 输出：10 解释：[0,0,1,1,1,1,1,1,1,1,1,1,0,0,0,1,1,1,1] 粗体数字从 0 翻转到 1，最长的子数组长度为 10。
提示：
1 <= nums.length <= 105nums[i]不是0就是10 <= k <= nums.length
二、题解
2.1 方法一：滑动窗口
思路与算法：
重点：题意转换。把「最多可以把 K 个 0 变成 1，求仅包含 1 的最长子数组的长度」转换为 「找出一个最长的子数组，该子数组内最多允许有 K 个 0 」。
经过上面的题意转换，我们可知本题是求最大连续子区间，可以使用滑动窗口方法。滑动窗口的限制条件是：窗口内最多有 K 个 0。
可以使用我多次分享的滑动窗口模板解决，模板在代码之后。
首先定义四个变量：
- 左指针
- 右指针
- 最长的子串长度
- 0 的数量
代码思路：
- 使用 left 和 right 两个指针，分别指向滑动窗口的左右边界。
- right 主动右移：right 指针每次移动一步。当 A[right] 为 0，说明滑动窗口内增加了一个 0；
- left 被动右移：判断此时窗口内 0 的个数，如果超过了 K，则 left 指针被迫右移，直至窗口内的 0 的个数小于等于 K 为止。
- 滑动窗口长度的最大值就是所求。
2.2 滑动窗口解题模板
滑动窗口算法是一种常用的算法，用于解决数组或列表中的子数组问题。下面是一个滑动窗口算法的解题模板：
- 定义窗口大小：首先需要确定滑动窗口的大小，即每次滑动时包含的元素个数。
- 初始化窗口：将窗口的起始位置设置为0，窗口大小设置为n，其中n为数组或列表的长度。
- 计算窗口中的元素和：使用一个变量sum来记录当前窗口中的元素和，初始值为0。
- 移动窗口：从左到右依次遍历数组或列表，每次将当前元素加入窗口中，并更新sum的值。
- 判断是否满足条件：在移动窗口的过程中，不断判断当前窗口中的元素和是否满足题目要求。如果满足条件，则返回当前窗口中的元素和。
- 移动窗口：如果当前窗口中的元素和不满足题目要求，则将窗口向右移动一位，并更新sum的值。
- 重复步骤4-6，直到遍历完整个数组或列表。
下面是一个具体的例子，使用滑动窗口算法求解数组中连续子数组的最大和：
python
def maxSubArray(nums):
if not nums:
return 0
max_sum = current_sum = nums[0]
for i in range(1, len(nums)):
current_sum = max(nums[i], current_sum + nums[i])
max_sum = max(max_sum, current_sum)
return max_sum在这个例子中，我们使用一个变量max_sum来记录当前最大子数组的和，一个变量current_sum来记录当前窗口中的元素和。在遍历数组的过程中，不断更新current_sum的值，并判断是否满足题目要求。如果满足条件，则更新max_sum的值。最后返回max_sum即可。
三、代码
3.1 方法一：滑动窗口
Java版本：
java
class Solution {
public int longestOnes(int[] nums, int k) {
int left = 0, right = 0, longestOnes = 0, zero = 0;
while (right < nums.length) {
if (nums[right] == 0) zero++;
if (zero > k) {
left++;
if (nums[left - 1] == 0) zero--;
}
if (zero == k || right == nums.length - 1) {
longestOnes = Math.max(right - left + 1, longestOnes);
}
right++;
}
return longestOnes;
}
}C++版本：
cpp
class Solution {
public:
int longestOnes(vector<int>& nums, int k) {
int left = 0, right = 0, longestOnes = 0, zero = 0;
while (right < nums.size()) {
if (nums[right] == 0) zero++;
if (zero > k) {
left++;
if (nums[left - 1] == 0) zero--;
}
if (zero == k || right == nums.size() - 1) {
longestOnes = max(right - left + 1, longestOnes);
}
right++;
}
return longestOnes;
}
};Python版本：
python
class Solution:
def longestOnes(self, nums: List[int], k: int) -> int:
left, right, longestOnes, zero = 0, 0, 0, 0
while right < len(nums):
if nums[right] == 0:
zero += 1
if zero > k:
left += 1
if nums[left - 1] == 0:
zero -= 1
if zero == k or right == len(nums) - 1:
longestOnes = max(right - left + 1, longestOnes)
right += 1
return longestOnes四、复杂度分析
4.1 方法一：滑动窗口
- **时间复杂度：**O(N)，因为每个元素只遍历了一次。
- **空间复杂度：**O(1)，因为使用了常数个空间。