先回答一个不少刷题新手都问过的问题：力扣上那道“子数组最大平均数 I”（LeetCode 643），标签是简单题，但为什么很多人一上来就写错？我见过不少人在评论区吐槽，说自己用双重循环暴力解，结果直接超时；还有人用前缀和写出来了，却被面试官追问“能不能不用额外空间”时卡住。这道题看似只是算平均数，真正的考点其实是滑动窗口——你如果把它当数学题做，十有八九要走弯路。
这篇文章不打算只贴一份能过的代码，我会把从题目理解、解题思路、多种写法、边界处理到同类拓展的完整链路都拆开讲一遍，顺便把我实际刷题时踩过的坑和面试里被追问过的问题也一并列出来。适合刚接触滑动窗口的入门读者，也适合准备面试想把这题吃透的人。
1. 暴力解法的失败现场：为什么双重循环会超时
1.1 题目到底在问什么
先看题面：给定一个整数数组 nums 和一个整数 k，找出该数组中长度为 k 的连续子数组，并输出这些子数组里最大的平均值。
比如 nums = [1, 12, -5, -6, 50, 3], k = 4，所有长度为 4 的连续子数组有：
- [1, 12, -5, -6]，平均值 0.5
- [12, -5, -6, 50]，平均值 12.75
- [-5, -6, 50, 3]，平均值 10.5
最大值是 12.75，所以输出 12.75。
注意题目说的是“连续子数组”，不是“子序列”。连续意味着这些元素在原数组里必须一个挨着一个，不能跳着选。这一点看起来像废话，但真有人会忽略——我见过有人拿排序后的数组去算，那就完全跑偏了，因为排序会破坏元素间的相邻关系。
1.2 大多数人第一反应的代码长什么样
新手拿到这题，最直接的想法是：把所有长度为 k 的子数组全都枚举出来，分别求和，再除以 k，取最大值。
写成代码大概是这个样子：
public double findMaxAverage(int[] nums, int k) { double maxAvg = -Double.MAX_VALUE; for (int i = 0; i <= nums.length - k; i++) { int sum = 0; for (int j = i; j < i + k; j++) { sum += nums[j]; } maxAvg = Math.max(maxAvg, (double) sum / k); } return maxAvg; }这段代码逻辑上没问题，结果也没错，但时间复杂度是 O((n - k + 1) * k)，也就是约等于 O(n*k)。当 n 和 k 都很大时，运行时间会急剧上升。比如 n = 100000，k = 50000，内层循环大约要执行 25 亿次加法，这在力扣的评测环境里基本就是超时。
1.3 暴力解法到底浪费在哪里
暴力解法的浪费之处在于，相邻的两个窗口之间有大量重复计算。
第一个窗口覆盖 nums[0] 到 nums[3]，第二个窗口覆盖 nums[1] 到 nums[4]。也就是说，nums[1]、nums[2]、nums[3] 这三个元素被加了两次。窗口每向右移动一位，实际上只有两个元素发生变化：左边滑出去一个，右边滑进来一个，中间 k-1 个元素根本没必要重新加一遍。
这就好比排队打饭，你每次从队尾重新数一遍人数，而不是记住上次的人数然后加减进出队伍的人——后者显然更快。
这个观察就是滑动窗口思想的起点。
2. 滑动窗口的推导过程：从 O(k*n) 降到 O(n)
2.1 窗口滑动的核心观察
基于上面的分析，我们只需要维护一个长度为 k 的“窗口”，每次窗口右移时：
- 减去滑出窗口的元素
- 加上滑入窗口的元素
- 更新最大值
这样一来，每个元素最多被加入一次、移除一次，整体时间复杂度降为 O(n)。
用生活化的比喻：你坐在一趟行驶的火车上，透过窗户看外面的风景。火车每前进一点，窗户外侧就有一部分旧风景移出视野，同时另一部分新风景进入视野。中间大部分风景其实一直在那里，只是位置移动了一点。
2.2 从暴力到滑窗的代码演化
第一步：先算第一个窗口的和，也就是前 k 个元素的和。
int windowSum = 0; for (int i = 0; i < k; i++) { windowSum += nums[i]; }第二步：窗口从索引 k 开始向右移动，每次移动时做“减旧加新”：
int maxSum = windowSum; for (int i = k; i < nums.length; i++) { windowSum = windowSum - nums[i - k] + nums[i]; maxSum = Math.max(maxSum, windowSum); }第三步：平均值就是 maxSum / (double) k。
完整代码如下：
public double findMaxAverage(int[] nums, int k) { int windowSum = 0; for (int i = 0; i < k; i++) { windowSum += nums[i]; } int maxSum = windowSum; for (int i = k; i < nums.length; i++) { windowSum = windowSum - nums[i - k] + nums[i]; maxSum = Math.max(maxSum, windowSum); } return (double) maxSum / k; }这里有个细节我要特别说明一下：很多人会先把maxSum初始化为 0，这在数组全是正数时没问题，但一旦数组里有负数就会出错。比如 nums = [-5, -1, -2], k = 2，所有长度为 2 的子数组最大和是 -3，如果你把maxSum初始化成 0，最后返回值就是 0，显然不对。
正确的做法是把maxSum初始化为第一个窗口的和，也就是windowSum的初始值，然后从第二个窗口开始比较。这样无论数组里有没有负数，结果都不会出错。
2.3 为什么不需要维护窗口的左边界指针
有人可能会问：滑动窗口通常不是用两个指针 left 和 right 来维护吗？为什么这里只用一个循环变量 i？
因为这里的窗口长度是固定的，永远是 k。left 和 right 之间的关系是确定的：right = left + k - 1。所以不需要像“无重复字符的最长子串”那样同时维护两个指针——固定长度窗口的边界位置可以直接算出来，这也是本题作为滑动窗口入门题的原因之一。
3. 三种主流写法对比，以及边界条件实测
3.1 写法对比：滑窗、双指针、前缀和
除了前面那种标准的滑动窗口写法，我在实际刷题中还见过另外两种常见写法，这里一并做一个对比。
| 写法 | 核心思想 | 时间复杂度 | 空间复杂度 | 适用场景 |
|---|---|---|---|---|
| 滑动窗口 | 维护固定长度窗口，减旧加新 | O(n) | O(1) | 本题最佳方案 |
| 双指针 | left 和 right 同步右移 | O(n) | O(1) | 本质上是滑窗的另一种写法 |
| 前缀和 | 预处理前缀和数组，再相减 | O(n) | O(n) | 窗口长度动态变化时更通用 |
双指针写法长这样：
public double findMaxAverage(int[] nums, int k) { int left = 0; int sum = 0; double maxAvg = -Double.MAX_VALUE; for (int right = 0; right < nums.length; right++) { sum += nums[right]; if (right - left + 1 == k) { maxAvg = Math.max(maxAvg, (double) sum / k); sum -= nums[left]; left++; } } return maxAvg; }这段代码的逻辑是：right 指针逐个加入元素，当窗口长度达到 k 时，计算平均值并更新结果，然后 left 指针右移一位，把左边滑出的元素从 sum 中减掉。
这种写法的好处是，如果面试官把题目改成“子数组最大平均数 II”（k 不固定），你在双指针基础上稍作修改就能过渡到新的解法。坏处是不如第一种写法直观，初看时容易绕。
前缀和写法：
public double findMaxAverage(int[] nums, int k) { int n = nums.length; int[] prefix = new int[n + 1]; for (int i = 0; i < n; i++) { prefix[i + 1] = prefix[i] + nums[i]; } int maxSum = Integer.MIN_VALUE; for (int i = k; i <= n; i++) { maxSum = Math.max(maxSum, prefix[i] - prefix[i - k]); } return (double) maxSum / k; }前缀和写法的思路是：提前算好每个位置之前的累积和，然后两个前缀和相减就能得到任意区间的和。这样做的好处是区间求和变成了 O(1) 操作，坏处是额外使用了一个长度为 n+1 的数组，空间复杂度是 O(n)。
如果你只是做这一道题，我推荐第一种写法；如果你在准备面试，三种都要能写出来，因为面试官可能让你对比它们的优劣。
3.2 边界条件实测记录
我在本地反复跑过各种测试用例，这里把我认为值得注意的边界情况列出来：
第一个：k = 1。此时每个子数组只有一个元素，最大平均值就是数组中的最大值。滑动窗口的循环从 i = 1 开始，每一步都只比较单个元素的大小，逻辑正确。
第二个：k = nums.length。此时整个数组只有一个子数组，结果就是整个数组的平均值。第一个窗口的和等于数组总和，循环条件i < nums.length不成立，直接返回第一个窗口的平均值即可。
第三个：数组元素全是负数。前面已经说过，maxSum不能初始化为 0，必须初始化为第一个窗口的和。
第四个：数组长度为 1，k 也为 1。这两个条件同时满足时，第一个窗口的和就是唯一的元素，循环不会进入，直接返回该元素本身。
第五个：数组元素是小数。这里有个细节要看仔细——力扣的这道题里，nums 是整数数组，但有些变体题目里 nums 可能是浮点数数组。如果是浮点数，sum 的类型就要用 double，否则小数部分会被截断。
4. 刷题现场最容易踩的四个坑
4.1 用 int 存窗口和导致溢出
这是我在真实面试中见过的问题，也是最隐蔽的坑之一。
题目中 nums[i] 的范围是 -10^4 到 10^4，nums.length 最大是 10^5，所以窗口和的最大值是 10^4 * 10^5 = 10^9，这个值还在 int 的范围内（int 最大值约 2.1 * 10^9）。
但注意，这只是这道题的范围。如果面试官把 nums[i] 的范围改成 -10^5 到 10^5，数组长度改成 10^6，窗口和就是 10^11，明显超出 int 范围。
所以我在写这道题时习惯直接把windowSum声明成 long，虽然在这道题里有点大材小用，但能避免后续修改范围时忘记改类型导致溢出。maxSum同样用 long，只有在最后计算平均值时才转为 double。
4.2 求平均值时的精度问题
返回平均值时，maxSum / k是整数除法，结果会被截断。比如 maxSum = 7, k = 2，整数除法结果是 3，而不是 3.5。
正确的做法是先把分子转成浮点数再除：(double) maxSum / k。
还有一种写法是maxSum * 1.0 / k，效果一样。
4.3 死记模板，不懂变通
滑动窗口的通用模板一般是：
int left = 0; for (int right = 0; right < n; right++) { // 扩大窗口 while (窗口不满足条件) { // 收缩窗口 left++; } // 更新答案 }但这个模板是针对“窗口长度不固定”的问题设计的。到了这道固定长度窗口的题，很多初学者套模板时不知道该在哪里更新答案，甚至把 left++ 写在条件判断外面，导致窗口长度不是 k。
我的建议是：遇到固定窗口长度的题目，优先使用第一种写法（先算第一个窗口，再逐个滑动），这样逻辑最清晰，不容易出错。等你对滑动窗口足够熟练之后，再尝试双指针写法。
4.4 忽略题目对输出格式的要求
题目要求输出结果与精确值相差不超过 10^-5 即可，也就是说，你不用刻意保留几位小数，直接返回 double 就行。但我在力扣评论区看到，有人用 String.format 把结果格式化成了两位小数再返回，结果在精度要求更严的测试用例上挂掉了。
5. 从这道题延伸出去的滑窗家族
5.1 变体一：子数组最大平均数 II（二分答案）
力扣 644 题“子数组最大平均数 II”是这道题的进阶版。区别在于，k 不再固定，而是一个最小值约束——你要找出长度至少为 k 的子数组的最大平均值。
这时候滑动窗口不能直接用了，因为你不知道窗口到底该开多大。常见的解法是二分答案：猜一个平均值 mid，然后检查是否存在长度至少为 k 的子数组的平均值大于等于 mid。
检查方法是把每个元素减去 mid，再找长度至少为 5 的最大子数组和是否大于等于 0。这里用到了前缀和的最小值维护，和“最大子数组和”问题有异曲同工之妙。
这道题我没法在这里展开细讲，但你可以把它作为刷完 643 之后的下一道练习题。
5.2 变体二：最大子数组和（Kadane 算法）
力扣 53 题“最大子数组和”和本题看起来像，但解法完全不同。
本题是固定窗口长度，用滑动窗口；53 题是求最大连续子数组和，不限制长度，用 Kadane 算法——核心是“如果之前的累加和为负数，就舍弃，从当前元素重新开始”。
为什么 53 题不能直接套滑动窗口？因为窗口长度不确定，滑动窗口的“减旧加新”逻辑不成立。这两道题放在一起对比着刷，能帮你更清楚地理解“什么时候用滑动窗口，什么时候用动态规划”。
5.3 变体三：定长滑窗的其他经典题
掌握固定长度滑动窗口后，可以顺手把这几道题一起刷了：
- 力扣 239 题“滑动窗口最大值”：窗口长度固定为 k，但需要额外维护一个双端队列来快速获取窗口内的最大值。
- 力扣 567 题“字符串的排列”：窗口长度固定，需要统计窗口内字符频次与目标字符串是否匹配。
- 力扣 438 题“找到字符串中所有字母异位词”：同样是定长窗口加频次统计。
这几道题的核心思想一致，都是维护一个长度固定的窗口，区别只在于窗口内信息的统计方式不同。把它们放在一起刷，能形成体系化的记忆，比一道一道孤立地刷效率高得多。
6. 刷题和面试中的几条实用心得
6.1 做题前先算时间复杂度
我刷题有个习惯：在写代码之前，先看一眼数据范围，估算暴力解法的复杂度，判断是否会超时。
以本题为例，nums.length 最大是 10^5，双重循环的复杂度约是 10^10，必然超时。这时候就要想优化策略。这种“先估复杂度再动笔”的习惯，能帮你避免很多无效编码。
6.2 面试时主动讲出优化过程
如果面试官让你做这道题，不要直接给出滑动窗口的最终代码。先给暴力解法，说明它的复杂度问题，再一步步推导出滑动窗口。这一步是面试官考察的重点——他们想看到你的思考过程，而不仅仅是结果。
我之前模拟面试的时候遇到过类似场景，候选人一上来就写出最优解，面试官反而追问了一句：“你能解释一下为什么这个解法是正确的吗？”如果没有提前想清楚正确性证明，这一问很容易卡壳。
6.3 正确性证明的简单思路
这道题的正确性证明其实很直白：
- 第一个窗口的和是 nums[0] 到 nums[k-1] 的和；
- 第二个窗口通过减去 nums[0] 加上 nums[k] 得到；
- 数学上可以展开：第二个窗口的和 = (nums[0] + ... + nums[k-1]) - nums[0] + nums[k] = nums[1] + ... + nums[k]。
- 以此类推，每次滑动都准确对应下一个长度为 k 的连续子数组。
因此，遍历所有窗口后得到的最大值就是全局最大值。这段推导可以在 1 分钟内讲完，面试时很加分。
6.4 刷题记录与复盘建议
我建议刷完这道题后，在你的刷题笔记里记录三件事：
- 第一，用一句话概括题目本质：固定长度窗口内求最大平均值。
- 第二，写清最优解法的复杂度：时间 O(n)，空间 O(1)。
- 第三，标记一个易错点：maxSum 初始化不能用 0。
这样再过两周回来复习时，不需要重新读题就能快速回忆起来。我个人经验是，滑窗类问题连续刷 5 到 8 道之后会有一种“顿悟感”，之后遇到新的变体基本都能自己推出来。
最后分享一个调试小技巧：本地测试时，除了力扣给的示例，一定要自己构造几组极端数据。比如全负数数组、k 等于数组长度、数组只有一个元素、k 等于 1。这几组数据能覆盖大部分边界条件，帮你提前发现代码里潜在的问题，而不是等提交之后被测试用例“教做人”。
