滑动窗口算法最简单的教程

1 举个栗子

给定一个字符串，找到包含的不同字符个数不超过K的最长的连续子串

同样先来几个例子，以便准确地理解问题。

例子1：

输入: String="araaci", K=2 

输出: 4 

解释: 包含不同字符个数不超过2的最长的连续子串是 "araa"

例子2：

输入: String="araaci", K=1 

输出: 2 

解释: 包含不同字符个数不超过1的最长的连续子串是 "aa"

例子3：

输入: String="cbbebi", K=3 

输出: 5 

解释: 包含不同字符个数不超过3的最长的连续子串是 "cbbeb" 或者 "bbebi"

2 思路分析

因为字符串本质就是一个字符数组，所以本题实际上也是求子数组。只不过挑选的标准和前道题不同而已。

• 前道题是求最短，本题是求最长。

• 前道题是子数组元素的和不小于K，本道题是子数组元素（即字符）的种类数不超过K。明白了这两点不同，就清楚如何修改前道题的代码，来完成这道题的求解。

首先，还是从数组开头累积出一个最长的符合条件的子字符串，作为我们的窗口。其次，当滑动窗口后，尽可能避免收缩窗口，除非新窗口中包含的字符种类超过了限制。最后，我们需要实时记录窗口中包含的不同字符的个数，以便判断窗口是否符合K个不同字符的要求，这里，我们可以选择HashMap。

3 代码实现

def longest_substring_with_k_distinct(str1, k):
  window_start = 0
  max_length = 0
  char_frequency = {}

  # 在下面的循环中，我们将尽可能扩展 [window_start, window_end]
  的范围
  for window_end in range(len(str1)):
    right_char = str1[window_end]
    if right_char not in char_frequency:
      char_frequency[right_char] = 0
    char_frequency[right_char] += 1

    # 收缩滑动窗口, 直到char_frequency中的key的数目不超过K
    while len(char_frequency) > k:
      left_char = str1[window_start]
      char_frequency[left_char] -= 1
      if char_frequency[left_char] == 0:
        del char_frequency[left_char]
      window_start += 1  # 收缩窗口
    # 记录下当前最长的窗口长度
    max_length = max(max_length, window_end-window_start + 1)
  return max_length

4 思考总结

如果大家看了前道题和本题，应该会有个感觉，滑动窗口算法，其实就是将原来的暴力算法进行了优化而已。主要的优化点其实有两个：

• 不去计算已经计算过的

• 不去计算根据条件确定不用计算的

第一点，就是滑动前后窗口重叠部分的数字的和，第二点，就是本题和前道题中窗口每滑动一步，直接从窗口左端进行收缩，实际上就是已经确定，窗口左端再往左的部分是不用考虑的。

如果大家有机器学习的知识，滑动窗口算法很像是对暴力算法的一个剪枝算法。

再深一步讲，所谓的动态规划，其实也是对暴力算法的一个优化，也就是不去计算已经算过的或者不用计算的部分。

大家在学习一个新的算法技巧时，可以采用这个学习的思路，即先用暴力算法进行实现，然后思考新的算法技巧是在哪部分进行了优化，这样就更容易理解算法技巧的本质。

如果理解了本文，那么leetcode上这道 https://leetcode.com/problems/fruit-into-baskets/  medium的题，对你就不在话下了。

推荐阅读：

一文读懂高并发情况下的常见缓存问题

用 Django 开发基于以太坊智能合约的 DApp

一文读懂 Python 分布式任务队列 celery

5 分钟解读 Python 中的链式调用

用 Python 创建一个比特币价格预警应用

▼点击成为社区会员   喜欢就点个在看吧