机试打卡 -14 轮转数组（数组） ①nums=nums[::-1]，会改变nums的地址；nums[:]=nums[::-1]，不会改变nums的地址。②数组翻转的代码 nums[:k]=nums[:k][::-1]；nums[k:]=nums[k:][::-1]这种写法虽然简单，但效率不高。因为若 k 很大时，每次都需要执行。这两个操作，引入模运算可以应对k较大的情况。
机试打卡 -13 最小覆盖子串（滑动窗口） 在滑动窗口类型的问题中都会有两个指针，一个用于「延伸」现有窗口的 r 指针，和一个用于「收缩」窗口的 l 指针。在任意时刻，只有一个指针运动，而另一个保持静止。我们在 s 上滑动窗口，通过移动 r 指针不断扩张窗口。当窗口包含 t 全部所需的字符后，如果能收缩，我们就收缩窗口直到得到最小窗口。
机试打卡 -12 滑动窗口最大值（优先队列&堆） 在有些情况下，可能需要找到元素集合中的最小或者最大元素，可以利用优先队列来完成操作，优先队列ADT是一种数据结构，是一种有特殊用途的数据结构，用来在一组变化频繁（发生增删查改的频率较高）的数据集中。我的思路1：队列，每次 出队+入队，记录1个队列中的最大值索引，超时。我的思路2：建立排序队列，每次 出队+入队，采用 折半搜索，超时。官方题解：优先队列（堆），将整个数组看作是堆。
机试打卡 -11 数组的乘积（前缀和） 思路：“除自身以外的数组的乘积”可以转化为求该元素的前缀积和后缀积，即先遍历两遍数组，得到前缀积数组和后缀积数组，第三次遍历即将前缀积数组和后缀积数组按位相乘。注意：后缀suffix 需倒序排列。
机试打卡 -10 最长子串（哈希表&滑动窗口） 我的思路：首先构建列表作为滑动窗口。在遍历字符串的过程中，当出现重复字符时，删除 滑动窗口（列表） 从开头到重复字符位置的所有元素。“最长子串”，很容易想到 滑动窗口。
机试打卡 -07 盛水的容器（双指针） 假设某一时刻，water=W，选择容器的左边界索引为 i ，高度为 height[i]。那么容器至少需要 W/height[i] 的宽度才有可能突破 W 的容量上限。优化一下：当每次选择一个容器的左边界时，并不需要遍历计算之后每一条垂线充当右边界的情况。最简单粗暴的方法，两个for循环，遍历 n(n-1)/2 次，当然超时。
机试打卡 -06 异位词分组（哈希表） 比如可以通过list.append()，set.remove()，dict[‘key‘] = value对其进行修改，所以它们都是不可哈希的；②dict.values() 将字典中的所有 value 全部取出，但需要使再用 list() 或 tuple() 转换数据类型；①sorted() 函数将返回一个排序后的列表，若需要重新组合成字符串，需使用 "".join()函数。一个对象在其生命周期内，如果保持不变，就是hashable(可哈希的)。dict.keys() 同理。
机试打卡 -05 接雨水（动态规划&栈） 新柱子的 right_height 则分为两种情况，一种是 新柱子的高度不等于前一个柱子的 right_height，这种情况下则令新柱子的 right_height 直接取 前一个柱子的 right_height 即可；另一种情况则是 新柱子的高度等于前一个柱子的 right_height，即说明前一个柱子的 right_height 可能取自该根柱子，则新柱子的 right_height 取后面的柱子的最大值（数组切片） 即可。动态规划 - 复杂度分析。，有些类似递归的思想。
关注
