本文详解“移动零”问题的多种解法，指出所给递归实现存在逻辑缺陷与性能隐患，并推荐标准双指针原地算法，兼顾时间复杂度（o(n)）、空间复杂度（o(1)）与代码可维护性。
本文详解“移动零”问题的多种解法，指出所给递归实现存在逻辑缺陷与性能隐患，并推荐标准双指针原地算法，兼顾时间复杂度（o(n)）、空间复杂度（o(1)）与代码可维护性。
您提供的递归函数 Swap_Zero 虽然在特定输入下看似能输出正确结果，但本质上无法正确、稳定地解决该问题，且不满足线性时间复杂度要求。原因如下：
- 逻辑缺陷：Min_Zero 和 Min_Not_Zero 的边界判断不严谨（如未处理 j == len(nums)-1 时 nums[j] == 0 的情况），且递归调用中参数 m, n 的传递顺序混乱（Swap_Zero(m, n, nums) 中 i=m, j=n 导致下一轮搜索起点错位），极易引发索引越界或跳过元素；
- 时间复杂度非线性：每次递归都需重新扫描数组查找第一个零和其后的第一个非零元，最坏情况下（如 [0,1,0,2,0,3,...]）将退化为 O(n²)；
- 空间复杂度超标：深度递归带来 O(n) 栈空间开销，违背“原地操作”的隐含要求（即仅用常数额外空间）。
✅ 正确解法应采用双指针（Two Pointers）技术，一次遍历完成重排：
def moveZeroes(nums):
"""
将所有 0 移至数组末尾，保持非零元素相对顺序。
时间复杂度：O(n)，空间复杂度：O(1)
"""
left = 0 # 指向下一个非零元素应放置的位置
for right in range(len(nums)):
if nums[right] != 0:
nums[left], nums[right] = nums[right], nums[left]
left += 1该算法核心思想是：left 始终指向已处理区段的“非零序列尾部后一位置”，right 遍历整个数组；每当 right 发现非零元，就将其与 left 位置交换，并推进 left。这样所有非零元素按序紧凑前移，剩余位置自然全为零。
⚠️ 注意事项：
- 必须使用 nums[left], nums[right] = nums[right], nums[left] 而非先赋值后覆盖，避免数据丢失；
- 切勿使用 nums = [...]（创建新列表），这会改变变量引用而非原数组内容；正确做法是 nums[:] = [...]（切片赋值）或直接原地交换；
- 若需兼容 Python 2 或强调不可变性，可改用 nums.append(nums.pop(i))，但效率更低（pop 引发后续元素平移，整体 O(n²)）。
作为对比，您答案中提到的列表推导式写法虽简洁，但不符合题目“不创建新数组”的约束（[x for x in nums if x != 0] 显式构造了新列表）：
# ❌ 违反原地修改要求（即使用了 nums[:] = ...，中间仍产生两个新列表） nums[:] = [x for x in nums if x != 0] + [0] * nums.count(0)
它虽时间复杂度为 O(n)，但空间复杂度为 O(n)，仅适用于宽松场景。
总结：对于 LeetCode #283 “Move Zeroes”，双指针原地交换是唯一同时满足 O(n) 时间、O(1) 空间、逻辑清晰、易于验证的标准解法。递归在此类数组重排问题中无优势，反而增加理解与调试成本。请优先掌握并熟练运用双指针范式。
