在数组类算法题中，双指针是面试高频考点。它通过两个指针协同遍历数组，避免了暴力解法的重复操作，能将时间复杂度从 O (n²) 优化到 O (n)，尤其适合处理 “原地修改”“子数组查询” 等问题。
一、快慢指针：处理 “原地修改数组” 问题（以移动零为例）
快慢指针是双指针中最基础的类型，核心是用两个指针遍历数组，快指针负责 “探索”，慢指针负责 “记录有效位置” ，适合解决 “元素移动”“去重” 等需要原地修改数组的问题。
（1）例题分析：移动零（LeetCode 283）
暴力解法的局限：
暴力思路是两次遍历：第一次收集非零元素，第二次补零。虽然时间复杂度是 O (n)，但逻辑不够简洁。而快慢指针能一次遍历完成，更高效。
快慢指针解题思路：
-
定义指针角色：
- 快指针（
fast）：遍历整个数组，寻找非零元素。 - 慢指针（
slow）：记录 “下一个非零元素应该存放的位置”。
- 快指针（
-
遍历过程：
-
快指针从 0 开始遍历数组：
- 若
nums[fast]不是 0，说明是有效元素，将其放到慢指针位置（nums[slow] = nums[fast]），慢指针右移（slow++）。 - 若
nums[fast]是 0，快指针直接右移，不操作慢指针。
- 若
-
遍历结束后，慢指针左侧都是非零元素，右侧（从
slow到数组末尾）全部补 0。
-
var moveZeroes = function(nums) {
if (nums.length === 0) return;
let slow = 0; // 慢指针：记录非零元素的位置
// 快指针遍历数组
for (let fast = 0; fast < nums.length; fast++) {
if (nums[fast] !== 0) { // 遇到非零元素
// 交换快慢指针元素（其实是将非零元素移到slow位置）
[nums[slow], nums[fast]] = [nums[fast], nums[slow]];
slow++; // 慢指针右移，准备接收下一个非零元素
}
}
// 此时slow左侧已全是非零元素，右侧自动保留0（无需额外补0）
};
为什么能工作？
- 快指针遍历所有元素，确保每个非零元素都被 “搬运” 到慢指针位置，维持相对顺序。
- 交换操作实现了 “原地修改”，无需额外空间（空间复杂度 O (1)）。
- 时间复杂度 O (n)，仅遍历一次数组。
（2）快慢指针解题模板
适用于 “原地修改数组”（如移动元素、去重、筛选元素）：
function solve(nums) {
let slow = 0; // 慢指针：记录有效元素的位置
for (let fast = 0; fast < nums.length; fast++) {
// 快指针遍历，遇到符合条件的元素（如非零、非重复）
if (/* 满足条件：如nums[fast] !== 0 */) {
// 操作：交换或直接赋值（根据场景）
[nums[slow], nums[fast]] = [nums[fast], nums[slow]];
slow++; // 慢指针右移
}
}
// 可选：处理剩余位置（如补0、截断数组）
// nums.splice(slow); // 若需删除无效元素
}
核心逻辑：快指针负责 “找有效元素”，慢指针负责 “存有效元素”，通过一次遍历完成筛选 + 移动，避免二次遍历。
二、滑动窗口：处理 “子数组范围查询” 问题（以最小子数组长度为例）
滑动窗口是双指针的另一种形式，核心是用两个指针（左边界 left 和右边界 right）维护一个 “窗口”，通过移动边界调整窗口范围，解决子数组 / 子串的范围查询问题，如 “求和”“最长 / 最短长度” 等。
（1）例题分析：最小子数组长度（LeetCode 209）
滑动窗口解题思路：
-
定义窗口边界：
- 右指针（end）：扩张窗口，负责将元素加入窗口，扩大窗口范围。
- 左指针（start）：收缩窗口，当窗口内的和≥target 时，右移左指针，缩小窗口范围以寻找更短的有效子数组。
-
窗口操作：
- 初始化
sum=0（窗口内元素和）、start=0（左边界）、minLen=Infinity（最小长度）。 - 右指针 end 从 0 遍历数组，每次将
nums[end]加入 sum。 - 当 sum≥target 时，更新
minLen（取当前窗口长度end-start+1的最小值），然后右移 start，从 sum 中减去nums[start]，重复此过程直到 sum<target。 - 遍历结束后，若
minLen仍为 Infinity，返回 0；否则返回minLen。
- 初始化
代码实现：
var minSubArrayLen = function(target, nums) {
let n = nums.length;
let minLen = Infinity;
let start = 0; // 左边界
let sum = 0; // 窗口内元素和
for (let end = 0; end < n; end++) {
sum += nums[end]; // 右指针扩张窗口，加入元素
// 当窗口和≥target时，收缩左边界找最短长度
while (sum >= target) {
// 更新最小长度
minLen = Math.min(minLen, end - start + 1);
// 左指针右移，缩小窗口
sum -= nums[start];
start++;
}
}
return minLen === Infinity ? 0 : minLen;
};
为什么能工作？
- 窗口始终保持 “和≥target” 的最小范围：当 sum≥target 时，收缩左边界能排除冗余元素，找到更短的有效子数组。
- 每个元素仅被 start 和 end 各遍历一次，时间复杂度 O (n)。
- 空间复杂度 O (1)，无需额外存储子数组。
（2）滑动窗口解题模板
适用于 “子数组 / 子串的范围查询”（如求和、长度、包含元素等）：
function solve(target, nums) {
let start = 0; // 左边界
let sum = 0; // 窗口内的指标（和、计数等）
let result = Infinity; // 存储结果（最小/最大长度等）
for (let end = 0; end < nums.length; end++) {
// 右指针扩张窗口，更新窗口内指标
sum += nums[end];
// 当窗口满足条件（如sum≥target），收缩左边界
while (/* 窗口满足条件：如sum >= target */) {
// 更新结果（如最短长度）
result = Math.min(result, end - start + 1);
// 左指针右移，缩小窗口，更新指标
sum -= nums[start];
start++;
}
}
// 处理结果（如未找到返回0）
return result === Infinity ? 0 : result;
}
核心逻辑：右指针负责 “扩张窗口” 以满足条件，左指针负责 “收缩窗口” 以优化结果（如最短长度），通过一次遍历找到最优解。
三、双指针技巧背后的核心知识点
（1）时间复杂度优化
双指针的核心价值是减少重复遍历：
- 暴力解法往往需要嵌套循环（O (n²)），而双指针通过两个指针同向遍历，将时间复杂度降至 O (n)。
- 例如 “移动零” 中，快慢指针一次遍历完成两次遍历的工作；“最小子数组” 中，滑动窗口用一次遍历替代了所有子数组的枚举。
（2）原地操作的意义
数组题常要求 “原地修改”（如移动零的 “不复制数组”），双指针通过交换 / 覆盖元素实现原地操作，空间复杂度从 O (n) 降至 O (1)，这在内存受限的场景（如面试中的算法题）中至关重要。
（3）适用场景总结
| 双指针类型 | 核心作用 | 典型问题 |
|---|---|---|
| 快慢指针 | 原地修改数组（筛选、移动、去重） | 移动零、删除重复元素、移除元素 |
| 滑动窗口 | 子数组 / 子串的范围查询 | 最小子数组长度、最长无重复子串、水果成篮 |
四、面试中的注意事项
-
算法选择：遇到数组题时，先判断是否适合双指针：
- 若需要 “原地修改元素顺序”，优先考虑快慢指针。
- 若需要 “寻找满足条件的子数组 / 子串”，优先考虑滑动窗口。
-
边界条件：注意数组为空、元素全满足 / 全不满足条件的情况（如移动零中 nums=[0]，最小子数组中 sum 始终 < target）。
-
代码简洁性：双指针代码往往很短，但逻辑密度高，面试时需清晰解释指针移动的条件（如 “为什么此时要移动左指针？”）。
-
与其他算法的结合：双指针常与贪心思想结合（如滑动窗口中 “收缩左指针以找最优解” 本质是贪心策略），理解这一点能更灵活地应用。
五、总结：双指针是数组题的 “最优解钥匙”
双指针技巧通过两个指针的协同遍历，完美解决了数组问题中 “暴力解法低效”“原地修改”“子数组查询” 等核心痛点。
核心要点：
- 快慢指针：快指针找有效元素，慢指针存有效元素，适合原地修改。
- 滑动窗口：右指针扩窗口，左指针缩窗口，适合子数组范围查询。
- 时间复杂度 O (n)、空间复杂度 O (1)，是优化算法的典型代表。
