戈玄白今天要做题1. 问题背景与核心挑战
数组类算法题在LeetCode中占据了重要地位，其中滑动窗口、矩阵处理和前缀和是三个极具代表性的技术方向。这三个题目看似独立，实则共同构成了处理数组问题的核心方法论体系。
209题"长度最小的子数组"考察的是如何在O(n)时间复杂度内找到满足条件的最小区间，这在实际开发中对应着诸如"查找满足条件的最小广告位序列"等场景。59题"螺旋矩阵II"则考验对二维数组的精确控制能力，在图像处理、游戏开发等领域有广泛应用。而"区间和"问题则引入了前缀和这一关键优化思想，它能将O(n)的区间查询优化为O(1)操作。
这三个题目之所以被归为Part2，是因为它们都需要建立在基础数组操作之上，引入了更高级的算法思想。掌握它们不仅能提升解题能力，更能培养解决实际工程问题的思维模式。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 209.长度最小的子数组：滑动窗口的典型应用
2.1 问题重述与暴力解法分析
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≥target的长度最小的连续子数组。如果不存在符合条件的子数组，返回0。
最直观的暴力解法是双重循环枚举所有可能的子数组：
python复制def minSubArrayLen(target, nums):
min_len = float('inf')
n = len(nums)
for i in range(n):
current_sum = 0
for j in range(i, n):
current_sum += nums[j]
if current_sum >= target:
min_len = min(min_len, j - i + 1)
break
return min_len if min_len != float('inf') else 0
这种解法时间复杂度为O(n²)，在LeetCode上会超时。这就引出了我们需要更高效的算法。
2.2 滑动窗口的精妙之处
滑动窗口算法通过维护一个动态变化的窗口来优化时间复杂度。关键在于：
- 窗口的左右边界如何移动
- 何时更新结果
优化后的滑动窗口实现：
python复制def minSubArrayLen(target, nums):
left = total = 0
min_len = float('inf')
for right in range(len(nums)):
total += nums[right]
while total >= target:
min_len = min(min_len, right - left + 1)
total -= nums[left]
left += 1
return min_len if min_len != float('inf') else 0
关键点：内层while循环的条件判断是total≥target而非total>target，这确保了能找到最小满足条件的窗口。
2.3 滑动窗口的变种与边界处理
在实际应用中，滑动窗口有几种常见变体：
- 固定大小窗口：如求大小为k的子数组最大和
- 动态大小窗口：如本题
- 多指针窗口：处理更复杂条件
边界条件特别需要注意：
- 空数组输入
- 所有元素和仍小于target
- 存在单个元素就满足条件的情况
测试用例设计示例：
python复制assert minSubArrayLen(7, [2,3,1,2,4,3]) == 2
assert minSubArrayLen(4, [1,4,4]) == 1
assert minSubArrayLen(11, [1,1,1,1]) == 0
3. 59.螺旋矩阵II：二维数组的精确控制
3.1 问题理解与常规思路
给定正整数n，生成一个包含1到n²所有元素的n×n螺旋矩阵。例如n=3时：
code复制[
[1,2,3],
[8,9,4],
[7,6,5]
]
常规思路是模拟螺旋过程，关键在于定义清楚：
- 当前填充方向（右、下、左、上）
- 边界收缩规则
- 终止条件
3.2 分层处理与边界控制
更优雅的实现是采用分层(loop)思想，从外层向内层逐层填充：
python复制def generateMatrix(n):
matrix = [[0]*n for _ in range(n)]
left, right = 0, n-1
top, bottom = 0, n-1
num = 1
while left <= right and top <= bottom:
# 从左到右
for i in range(left, right+1):
matrix[top][i] = num
num += 1
top += 1
# 从上到下
for i in range(top, bottom+1):
matrix[i][right] = num
num += 1
right -= 1
# 从右到左
if top <= bottom:
for i in range(right, left-1, -1):
matrix[bottom][i] = num
num += 1
bottom -= 1
# 从下到上
if left <= right:
for i in range(bottom, top-1, -1):
matrix[i][left] = num
num += 1
left += 1
return matrix
注意点：在完成右→下→左→上的循环后，需要检查是否还有内层未处理，避免重复填充。
3.3 螺旋矩阵的工程应用
这种填充模式在实际中有多种应用：
- 图像处理中的螺旋扫描
- 内存布局优化
- 游戏地图生成
一个常见的变种是处理非方阵(m×n)的情况，此时需要调整边界条件：
python复制def spiralOrder(matrix):
if not matrix: return []
m, n = len(matrix), len(matrix[0])
res = []
left, right = 0, n-1
top, bottom = 0, m-1
while left <= right and top <= bottom:
# 处理奇数行/列的中心元素
if left == right and top == bottom:
res.append(matrix[top][left])
break
# ...其余逻辑类似方阵情况
return res
4. 前缀和与区间和问题
4.1 前缀和的基本概念
前缀和是一种预处理技术，使得我们可以快速计算任意区间的和。定义前缀和数组prefix，其中prefix[i]表示nums[0..i-1]的和。
构建前缀和数组：
python复制def buildPrefix(nums):
prefix = [0]*(len(nums)+1)
for i in range(1, len(nums)+1):
prefix[i] = prefix[i-1] + nums[i-1]
return prefix
查询区间[i,j]的和：
python复制def rangeSum(prefix, i, j):
return prefix[j+1] - prefix[i]
4.2 前缀和的典型应用场景
- 频繁区间查询：如股票分析中的时间段统计
- 二维前缀和：图像处理中的区域像素和
- 哈希表优化：结合哈希表可以解决更复杂问题
一个经典问题是"和为K的子数组"：
python复制def subarraySum(nums, k):
from collections import defaultdict
prefix_sum = defaultdict(int)
prefix_sum[0] = 1
current_sum = 0
count = 0
for num in nums:
current_sum += num
count += prefix_sum.get(current_sum - k, 0)
prefix_sum[current_sum] += 1
return count
4.3 前缀和的进阶用法
差分数组是前缀和的逆操作，常用于区间更新：
python复制class Difference:
def __init__(self, nums):
self.diff = [0]*len(nums)
self.diff[0] = nums[0]
for i in range(1, len(nums)):
self.diff[i] = nums[i] - nums[i-1]
def increment(self, i, j, val):
self.diff[i] += val
if j+1 < len(self.diff):
self.diff[j+1] -= val
def result(self):
res = [0]*len(self.diff)
res[0] = self.diff[0]
for i in range(1, len(self.diff)):
res[i] = res[i-1] + self.diff[i]
return res
5. 综合应用与实战技巧
5.1 滑动窗口与前缀和的结合
有些问题需要结合两种技术，如"和至少为K的最短子数组"：
python复制def shortestSubarray(nums, k):
from collections import deque
prefix = [0]*(len(nums)+1)
for i in range(len(nums)):
prefix[i+1] = prefix[i] + nums[i]
dq = deque()
res = float('inf')
for i in range(len(prefix)):
while dq and prefix[i] - prefix[dq[0]] >= k:
res = min(res, i - dq.popleft())
while dq and prefix[i] <= prefix[dq[-1]]:
dq.pop()
dq.append(i)
return res if res != float('inf') else -1
5.2 螺旋矩阵的变种问题
处理环形或非标准螺旋时，可以引入方向数组：
python复制def spiralOrder(matrix):
if not matrix: return []
m, n = len(matrix), len(matrix[0])
directions = [(0,1),(1,0),(0,-1),(-1,0)]
dir_idx = 0
x, y = 0, 0
res = []
for _ in range(m*n):
res.append(matrix[x][y])
matrix[x][y] = None # 标记已访问
# 计算下一个位置
next_x = x + directions[dir_idx][0]
next_y = y + directions[dir_idx][1]
if 0 <= next_x < m and 0 <= next_y < n and matrix[next_x][next_y] is not None:
x, y = next_x, next_y
else:
dir_idx = (dir_idx + 1) % 4
x += directions[dir_idx][0]
y += directions[dir_idx][1]
return res
5.3 调试与优化技巧
- 可视化调试：对于矩阵问题，打印中间状态
python复制def print_matrix(matrix):
for row in matrix:
print(' '.join(f'{num:2d}' for num in row))
print()
-
边界测试：空数组、单元素、全相同元素等特殊情况
-
性能分析：使用timeit模块比较不同实现的性能
python复制import timeit
timeit.timeit(lambda: minSubArrayLen(7, [2,3,1,2,4,3]*100), number=1000)
在实际工程中，这些算法思想的应用远比题目本身广泛。比如滑动窗口可用于网络流量控制，前缀和可用于实时数据分析，而螺旋遍历则在图像处理中很常见。理解其本质才能灵活运用。