如何在Racket中对有限序列执行滑动窗口操作？以4元素子序列最大和为例

我来分享几个在Racket里实现滑动窗口操作的靠谱方法，刚好能解决你找4个连续数字子序列最大和的问题，先拿你给出的示例数组来演示：

(define example #(3 1 4 5 10 23 1 50 0 12 40 12 43 20))

方法一：基础手动实现（适合理解原理） #

这种方法最直观，先把向量转成列表，然后生成所有长度为4的连续子列表，计算每个子列表的和，最后取最大值。代码逻辑简单，新手也能快速看懂：

(define (max-sliding-window-sum vec window-size)
  (let* ([lst (vector->list vec)]
         [windows (for/list ([i (in-range (- (length lst) window-size -1))])
                    (take (drop lst i) window-size))])
    (apply max (map (lambda (win) (apply + win)) windows))))

;; 调用示例，结果为115
(max-sliding-window-sum example 4)

不过要注意，这种方法对于超大序列效率一般，因为每次drop和take都会创建新列表，求和时也会重复计算重叠部分的元素。

方法二：增量计算优化（高效处理大数据） #

如果要处理大型数据集，推荐用这种O(n)时间复杂度的方法——先算出第一个窗口的和，之后每个窗口只需要减去移出窗口的元素，加上新进入窗口的元素，避免重复求和：

(define (max-sliding-window-sum-optimized vec window-size)
  (let* ([lst (vector->list vec)]
         [len (length lst)]
         [initial-sum (apply + (take lst window-size))])
    (for/fold ([max-sum initial-sum]
               [current-sum initial-sum])
              ([i (in-range window-size len)])
      (let* ([removed (list-ref lst (- i window-size))]
             [added (list-ref lst i)]
             [new-sum (- (+ current-sum added) removed)])
        (values (max max-sum new-sum) new-sum)))))

;; 调用示例，同样返回115
(max-sliding-window-sum-optimized example 4)

这种方法性能最优，尤其适合处理百万级别的序列。

方法三：函数式序列/生成器实现（Racket风格） #

如果你更偏爱Racket的函数式编程风格，可以用序列或生成器来处理，代码更简洁优雅，还能兼容多种序列类型（向量、列表、流等）：

先引入生成器库，实现一个滑动窗口生成器，再计算最大和：

(require racket/generator)

(define (in-sliding-window window-size seq)
  (generator ()
    (let loop ([s (sequence->stream seq)])
      (if (<= (stream-length s) window-size)
          (when (= (stream-length s) window-size)
            (yield (stream->list s)))
          (begin
            (yield (stream->list (stream-take s window-size)))
            (loop (stream-rest s)))))))

;; 计算最大和
(apply max (map (lambda (win) (apply + win)) (sequence->list (in-sliding-window 4 example))))

这种方法的优势是代码模块化，in-sliding-window可以复用在其他滑动窗口场景中，比如求最小值、平均值等。

总结 #

• 要是刚接触滑动窗口，先从基础方法入手理解原理；
• 处理大数据集时，优先选增量计算的优化方法；
• 追求代码优雅和复用性，就用序列/生成器的实现方式。

内容的提问来源于stack exchange，提问作者Meow