Python滑动窗口算法实战：3道LeetCode高频题保姆级解析

Python滑动窗口算法实战：3道LeetCode高频题保姆级解析

在算法面试和技术笔试中，滑动窗口（Sliding Window）是一个高频出现的核心技巧。很多开发者初次接触时，往往觉得它有些“玄学”——代码不长，但边界条件和指针移动的逻辑却容易让人绕晕。实际上，一旦你掌握了它的核心思想，就会发现它是一把解决特定类型问题的利器，尤其擅长处理连续子数组或子串的相关问题。今天，我们就抛开那些教科书式的定义，直接从三道经典的LeetCode高频题入手，手把手带你拆解思路，分析每一个易错点，让你不仅会写代码，更能理解背后的“为什么”。

本文面向的是有一定Python基础，正在准备技术面试或希望系统提升算法能力的开发者。我们将从最基础的“长度最小的子数组”开始，逐步深入到“乘积小于K的子数组”和“无重复字符的最长子串”。每一道题，我们都会先剖析问题本质，然后像搭积木一样构建出滑动窗口的解法，最后还会讨论一些常见的“坑”和优化思路。准备好了吗？让我们开始这场从理解到精通的旅程。

1. 滑动窗口的核心思想与适用场景

在深入具体题目之前，我们必须先建立对滑动窗口的直觉理解。你可以把它想象成用一个可伸缩的框，在一个序列（数组或字符串）上从左向右滑动。这个框的左右边界通常由两个指针（left 和 right）来界定。窗口内的元素，就是我们当前正在考察的连续子序列。

滑动窗口算法之所以高效，核心在于它利用了问题的单调性。对于许多问题，当右指针向右移动（扩大窗口）时，窗口的某个属性（如元素和、乘积）是单调变化的（通常是增加）。而当这个属性不满足题目条件时，我们就通过移动左指针（缩小窗口）来调整，寻找下一个可能的解。这个过程避免了暴力枚举所有子序列的 O(n²) 复杂度，通常能将时间复杂度优化到 O(n)。

那么，什么样的问题适合用滑动窗口呢？我总结了几个关键特征：

• 问题目标针对连续子序列：无论是子数组还是子串，必须是连续的。
• 需要寻找满足某个条件的最值：例如“最短长度”、“最大长度”、“子数组个数”等。
• 窗口的扩张与收缩有明确规则：当右指针加入新元素后，能快速判断当前窗口是否“合法”。如果不合法，左指针的移动能使窗口重新变得“合法”。

一个非常重要的前提是，序列中的元素通常需要是非负整数。为什么？因为对于求和或求积的问题，只有元素非负，右指针右移（加入新元素）才会导致窗口总和或乘积单调不减，左指针右移（移除元素）才会导致其单调不增。这种单调性是双指针正确移动、避免错过解的基础。如果存在负数，窗口和的变化就不再单调，简单的双指针滑动就可能失效，需要考虑更复杂的解法，如前缀和加哈希表。

下面这个表格对比了暴力枚举与滑动窗口的差异，能让你更直观地感受其优势：

理解了这些基础，我们就可以带着“寻找连续子序列、利用单调性、双指针协同扫描”的思路，进入实战环节了。

2. 实战一：长度最小的子数组 (LeetCode 209)

题目简述：给定一个含有 n 个正整数的数组和一个正整数 target，找出该数组中满足其和 ≥