1. LeetCode刷题笔记的价值与定位
作为一名在算法领域摸爬滚打多年的工程师，我始终认为LeetCode刷题笔记是技术人最实用的"武功秘籍"。不同于普通的题解，系统的刷题笔记应该包含解题思路的演进过程、多种解法的对比分析以及实际编码中的陷阱警示。我最近整理的这份"LeetCode刷题笔记2"特别聚焦于滑动窗口、二分查找等高频考察题型，其中滑动窗口最大值（LeetCode 239）和爱吃香蕉的狒狒（LeetCode 875）这两道经典题目尤其值得深入剖析。
提示：优质的刷题笔记不是简单的AC代码合集，而是记录思维过程的成长日记。建议每个题目都保留最初的错误解法作为反面教材。
2. 滑动窗口最大值的技术拆解
2.1 暴力解法与优化思路
滑动窗口最大值这道hard题目，暴力解法的时间复杂度是O(n*k)，当k接近n时会退化为O(n²)。我在笔记本上记录了第一次尝试时写的双重循环代码：
python复制def maxSlidingWindow(nums, k):
result = []
for i in range(len(nums) - k + 1):
window = nums[i:i+k]
result.append(max(window))
return result
这个解法虽然直观，但在LeetCode上提交时会因为超时无法通过。通过分析可以发现，每次窗口滑动时都在重复计算最大值，存在明显的优化空间。
2.2 单调队列的精妙设计
经过查阅资料和反复尝试，最终采用了单调队列的解法。这里的关键是维护一个双向队列，保证队列头部始终是当前窗口的最大值：
python复制from collections import deque
def maxSlidingWindow(nums, k):
q = deque()
result = []
for i, num in enumerate(nums):
while q and nums[q[-1]] <= num:
q.pop()
q.append(i)
if q[0] == i - k:
q.popleft()
if i >= k - 1:
result.append(nums[q[0]])
return result
这个算法将时间复杂度优化到了O(n)，空间复杂度是O(k)。在实际编码时特别要注意：
- 队列中存储的是索引而非值，便于判断元素是否在窗口外
- 添加新元素前要移除所有比它小的元素
- 需要检查队首元素是否已经超出窗口范围
2.3 不同语言实现的性能对比
在C++中使用deque的实现比Python更快，实测运行时间能减少30%左右。而Java的ArrayDeque在数据量较大时表现最优。这说明算法题不仅要掌握思路，还要了解不同语言标准库的实现特性。
3. 爱吃香蕉的狒狒的二分应用
3.1 问题抽象与建模
LeetCode 875这道题看似简单，实则考察了对二分查找的深刻理解。题目要求找到狒狒吃香蕉的最小速度K，使得能在H小时内吃完所有香蕉。我的第一版代码直接将K从1开始线性搜索：
python复制def minEatingSpeed(piles, H):
k = 1
while True:
hours = 0
for pile in piles:
hours += (pile + k - 1) // k
if hours <= H:
return k
k += 1
这个解法在遇到大数测试用例时会超时，比如piles=[1000000000], H=2的情况。
3.2 二分查找的变种应用
优化后的解法使用二分查找，将时间复杂度从O(nmax(pile))降到了O(nlog(max(pile)))：
python复制def minEatingSpeed(piles, H):
left, right = 1, max(piles)
while left < right:
mid = (left + right) // 2
if sum((pile + mid - 1) // mid for pile in piles) <= H:
right = mid
else:
left = mid + 1
return left
这里有几个关键点需要注意：
- 搜索范围的左边界是1，右边界是最大堆的香蕉数
- 计算所需时间时要使用向上取整的技巧 (pile + mid - 1) // mid
- 当hours <= H时不能直接返回mid，而要继续搜索更小的可能解
3.3 边界条件的处理经验
在实际测试时，我发现当H等于piles长度时，最小速度应该是max(piles)而非sum(piles)/H。这个边界条件很容易被忽略，建议在笔记中用红色标注这类特殊case。
4. LeetCode周赛的实战技巧
4.1 周赛430的题目分析
最近参加的周赛430中，第三题考察了前缀和与哈希表的组合应用。我的笔记记录了比赛时的思考过程：
- 首先尝试暴力解法，发现O(n²)复杂度无法通过
- 观察到子数组和可以表示为前缀和之差
- 使用哈希表记录前缀和的出现次数
- 特别注意处理前缀和为0的特殊情况
4.2 比赛时的调试技巧
在紧张的比赛环境中，我总结了几个调试技巧：
- 先写暴力解法确保理解题意正确
- 用小规模测试用例验证优化算法的正确性
- 对于边界条件，专门编写测试函数快速验证
- 使用print调试时添加有意义的标签，如print(f"i={i}, sum={curr_sum}")
4.3 时间管理策略
对于90分钟的比赛，我的时间分配建议是：
- 第一题：5-10分钟（简单题要快速AC）
- 第二题：15-20分钟（中等题要一次写对）
- 第三题：30分钟（可能有多种解法）
- 第四题：剩余时间尝试（hard题部分得分也很重要）
5. 热门100题的刷题路线
5.1 题目分类与优先级
根据我的刷题经验，LeetCode热门100题可以按以下顺序攻克：
- 数组与字符串操作（20题）
- 链表与指针技巧（15题）
- 树与图的遍历（20题）
- 动态规划（25题）
- 其他高级算法（20题）
5.2 每日刷题计划示例
这是我正在执行的30天强化计划：
code复制Day1-5：数组双指针技巧
- 两数之和、三数之和
- 盛最多水的容器
- 移动零
Day6-10：滑动窗口
- 无重复字符的最长子串
- 最小覆盖子串
- 找到字符串中所有字母异位词
5.3 错题本的建立方法
我使用Notion建立了数字错题本，每个题目记录：
- 初次解题思路
- 遇到的错误类型（边界条件、算法选择等）
- 最优解的分析过程
- 同类题目的关联索引
6. 刷题中的常见陷阱
6.1 内存越界问题
在使用双指针时，特别容易出现数组越界。例如在二分查找中，我曾经多次写出这样的错误代码：
python复制while left <= right:
mid = (left + right) // 2
if nums[mid] == target:
return mid
elif nums[mid] < target:
left = mid # 应该是left = mid + 1
else:
right = mid # 应该是right = mid - 1
6.2 浮点数精度问题
在涉及浮点数比较时，直接使用==可能会出错。应该定义误差范围：
python复制def equal(a, b):
return abs(a - b) < 1e-6
6.3 递归爆栈问题
当树的深度很大时，递归解法可能导致栈溢出。比如二叉树的最大深度问题，虽然递归写法简洁：
python复制def maxDepth(root):
if not root:
return 0
return 1 + max(maxDepth(root.left), maxDepth(root.right))
但在实际工程中更推荐使用迭代的BFS或DFS实现。
7. 高效刷题的工作流
7.1 IDE配置技巧
我使用VS Code配置了LeetCode插件，并设置了以下快捷键：
- Ctrl+Alt+C：提交代码
- Ctrl+Alt+T：测试当前代码
- Ctrl+Alt+N：新建解题文件
7.2 本地测试框架
为了快速验证多个测试用例，我编写了简单的测试框架：
python复制def test(func, cases):
for i, (input, expected) in enumerate(cases):
result = func(*input)
assert result == expected, f"case {i} failed: {result} != {expected}"
print("All tests passed!")
test_cases = [
(([2,7,11,15], 9), [0,1]),
(([3,2,4], 6), [1,2])
]
test(twoSum, test_cases)
7.3 性能分析工具
对于时间复杂度存疑的代码，我使用Python的timeit模块进行测量：
python复制import timeit
setup = "from __main__ import sliding_window_max"
stmt = "sliding_window_max([1,3,-1,-3,5,3,6,7], 3)"
print(timeit.timeit(stmt, setup, number=10000))
在刷题过程中，我最大的体会是：不要满足于AC，要追求最优解；不要死记硬背，要理解算法本质；不要孤立刷题，要建立知识网络。每次遇到新题目时，先思考它属于哪种模式（滑动窗口、前缀和、DFS等），再套用相应的解题框架，这样效率会大大提高。