本文详解如何使用优化的滑动窗口算法，高效求解长度为 k 且所有元素互异的子数组的最大和，重点修复频次统计与窗口收缩逻辑中的常见错误。
本文详解如何使用优化的滑动窗口算法，高效求解长度为 k 且所有元素互异的子数组的最大和，重点修复频次统计与窗口收缩逻辑中的常见错误。
在解决「固定长度、元素互异子数组的最大和」这类问题时，核心挑战在于实时、准确地判断当前滑动窗口内是否恰好包含 k 个互异元素。初学者常引入布尔标志（如 canIcount）来标记窗口合法性，但该方式极易因状态更新不及时而失效——例如当窗口中存在多个重复元素时，无法可靠判定何时恢复“合法”状态。
正确思路是：直接利用哈希表（字典）的键数量作为唯一性判据。因为 len(eleToFreq) == k 当且仅当当前窗口内恰好有 k 个不同元素（且窗口长度恒为 k），这比维护额外标志更鲁棒、更简洁。
以下为优化后的完整实现（基于 Python）：
class Solution: def maximumSubarraySum(self, nums: List[int], k: int) -> int: sum_so_far = max_sum = 0 freq = {} left = 0 for right, val in enumerate(nums): # 扩展右边界：添加 nums[right] freq[val] = freq.get(val, 0) + 1 sum_so_far += val # 当窗口长度达到 k 时，检查并更新答案 if right >= k - 1: # 仅当窗口内元素全部互异（即不同元素个数 = k）时更新最大和 if len(freq) == k: max_sum = max(max_sum, sum_so_far) # 收缩左边界：移除 nums[left] left_val = nums[left] if freq[left_val] == 1: freq.pop(left_val) else: freq[left_val] -= 1 sum_so_far -= left_val left += 1 return max_sum✅ 关键修正点说明：
- 去标志化：摒弃易错的 canIcount 标志，改用 len(freq) == k 直接、精确判断窗口合法性；
- 窗口收缩逻辑修正：原代码中 if eleToFreq[a[i]] >= 1 会导致空键访问或逻辑错误；正确做法是先检查频次是否为 1（需 pop），否则减 1；
- 结构精简：合并重复逻辑，使用 for … enumerate 替代手动双指针 while 循环，提升可读性与 Pythonic 风格；
- 边界处理简化：无需预先 if len(set(nums))
⚠️ 注意事项：
- 时间复杂度为 O(n)，每个元素最多被访问两次（入窗 + 出窗）；空间复杂度为 O(min(k, n))，由哈希表存储的最多 k 个不同元素决定；
- 切勿在收缩时使用 del freq[left_val] 而不检查存在性，应统一用 pop() 或条件判断；
- 若题目要求返回子数组而非和，可在 len(freq) == k 时记录 left 和 right 下标。
该解法兼顾正确性、简洁性与工程实践性，是滑动窗口处理“定长+去重”约束的经典范式。