给定整数数组和固定长度 k，找出长度为 k 的连续子数组中平均值最大的那个，并返回该平均值；关键在于避免双重循环的低效累加，改用 o(n) 滑动窗口技巧。
给定整数数组和固定长度 k，找出长度为 k 的连续子数组中平均值最大的那个，并返回该平均值；关键在于避免双重循环的低效累加，改用 o(n) 滑动窗口技巧。
在解决 LeetCode 643. Maximum Average Subarray I 时，核心目标是：**在所有长度为 k 的连续子数组中，找到元素和最大的那个，再除以 k 得到最大平均值**。看似简单，但初学者常因边界处理、变量重用或逻辑嵌套错误导致结果偏差（如测试用例 `[1,12,-5,-6,50,3], k=4` 返回 `12.0` 而非正确答案 `12.75`）。❌ 原代码的主要缺陷分析
你提供的实现存在三个关键问题：
-
内层循环范围错误：
j 实际只遍历了 <code>k−1个元素（漏掉第 k 个），应改为j 或更清晰的 <code>j ； -
累加变量未重置：
s在外层循环中未初始化为 0，导致每次迭代都延续上一次的和，造成严重累积误差； -
最大值更新时机错误：在内层循环中反复调用
Math.max(max, s)，此时s还未完成当前子数组的完整求和，逻辑错位。
修正后的暴力解法（O(nk)）如下：
public double findMaxAverage(int[] nums, int k) {
int n = nums.length;
double maxSum = Integer.MIN_VALUE;
for (int i = 0; i <= n - k; i++) {
double sum = 0;
for (int j = i; j < i + k; j++) { // ✅ 正确覆盖 k 个元素
sum += nums[j];
}
maxSum = Math.max(maxSum, sum);
}
return maxSum / k;
}✅ 推荐解法：滑动窗口（O(n) 时间复杂度）
暴力法在大规模输入下会超时（如 n=10⁵）。高效解法利用「滑动窗口」思想——先计算首个窗口 [0, k-1] 的和，之后每向右滑动一位，仅需 减去左端元素、加上右端新元素，避免重复计算。
优化实现（简洁清晰版）：
public double findMaxAverage(int[] nums, int k) {
int n = nums.length;
// 计算第一个窗口和
long sum = 0;
for (int i = 0; i < k; i++) {
sum += nums[i];
}
long maxSum = sum;
// 滑动窗口：i 为新窗口左端，i+k-1 为右端
for (int i = 1; i <= n - k; i++) {
sum = sum - nums[i - 1] + nums[i + k - 1]; // ✅ O(1) 更新
maxSum = Math.max(maxSum, sum);
}
return (double) maxSum / k;
}? 为什么用
long？
防止int溢出（如nums[i]较大且k较大时，子数组和可能超过Integer.MAX_VALUE）。强制转double再除法，确保浮点精度。
⚠️ 注意事项与最佳实践
-
边界处理：
n 时题目保证不会出现，但实际工程中建议添加 <code>if (n ； -
精度安全：始终先求最大整数和，最后统一转
double除法，避免中间步骤浮点误差或过早截断； -
可读性优先：相比双指针 while 循环变体（如原答案中较复杂的
l/r版本），上述for循环形式更直观、不易出错； -
测试验证：对
nums = [1,12,-5,-6,50,3], k = 4，窗口依次为：[1,12,-5,-6]→2,[-5,-6,50,3]→42,[12,-5,-6,50]→51,[-6,50,3,1]→48→ 最大和为51→51/4 = 12.75。
掌握滑动窗口不仅是本题的关键，更是解决「固定长度子数组/子串最值」类问题的通用范式。从暴力到优化，本质是将冗余计算转化为增量更新——这是算法进阶的重要思维跃迁。
