一、前置核心知识点
1. 滑动窗口（双指针）通用框架
解决子串 / 子数组问题的最优范式，核心是左右指针 + 窗口：
- 右指针：扩大窗口，获取新字符
- 左指针：缩小窗口，优化窗口长度
- 窗口：
[left, right]闭区间，动态维护有效区间
2. 哈希表（defaultdict）计数
- need：统计目标串
t中每个字符的所需次数 - window：统计当前窗口内每个字符的包含次数
- valid 变量：计数窗口中满足
need要求的字符种类数，valid == len(need)表示窗口已覆盖目标串
3. 最小窗口更新逻辑
- 当窗口有效（
valid达标）时，尝试收缩左边界 - 持续更新最小窗口长度和起始索引，最终截取结果
二、经典算法题：最小覆盖子串（LeetCode 76）
题目描述
给你一个字符串 s、一个字符串 t。返回 s 中涵盖 t 所有字符的最小子串。如果 s 中不存在涵盖 t 所有字符的子串，则返回空字符串 ""。示例：
- 输入：
s = "ADOBECODEBANC", t = "ABC" - 输出：
"BANC"
最优解法：滑动窗口 + 哈希表
核心思路
- 初始化：统计
t的字符需求到need，初始化窗口计数器window、有效计数valid、窗口起始索引start和最小长度min_len - 扩展窗口：右指针遍历
s，将字符加入窗口，若满足需求则valid+1 - 收缩窗口：当
valid达标时，尝试收缩左边界，更新最小窗口 - 清理过期：收缩时移除左边界字符，若不再满足需求则
valid-1
代码实现
from collections import defaultdict
class Solution:
def minWindow(self, s: str, t: str) -> str:
need = defaultdict(int)
window = defaultdict(int) # 统计目标字符需求
for c in t:
need[c] += 1
left = right = 0
valid = 0 # 已满足需求的字符种类
start = 0
min_len = float('inf') # 最小窗口长度
while right < len(s):
# 1. 右指针：扩大窗口
char = s[right]
right += 1
if char in need:
window[char] += 1 # 满足需求，有效计数+1
if window[char] == need[char]:
valid += 1
# 2. 左指针：收缩窗口（当窗口有效时）
while valid == len(need):
# 更新最小窗口
if right - left < min_len:
start = left
min_len = right - left
# 移除左边界字符
d = s[left]
left += 1
if d in need:
if window[d] == need[d]:
valid -= 1
window[d] -= 1
# 返回结果
return "" if min_len == float('inf') else s[start:start+min_len]
三、关键逻辑详解
1. 窗口有效性判断
valid == len(need)：当前窗口已包含t所有字符且次数达标- 仅在窗口有效时才会执行左移收缩，确保找到最小窗口
2. 最小窗口更新
start记录最小窗口的起始索引min_len记录最小窗口长度- 最终通过
s[start:start+min_len]截取结果
3. 边界处理
- 初始化
min_len为无穷大，避免初始值干扰 - 若最终
min_len仍为无穷大，说明无有效窗口，返回空串
四、算法复杂度与拓展
复杂度分析
- 时间复杂度：O (n)，n 为
s长度，每个字符最多入窗、出窗各一次 - 空间复杂度：O (m)，m 为
t的字符种类数
适用场景拓展
该模板可直接迁移至：
- 字符串最小覆盖 / 包含问题
- 子数组和 / 长度类滑动窗口问题
- 包含指定字符 / 条件的最小区间查找
