Máximos de ventanas deslizantes
Busca el máximo de cada ventana numérica completa de ancho fijo.
from collections import deque
from math import isfinite
def window_max(values, width):
if type(width) is not int or not 1 <= width <= len(values):
raise ValueError("width")
if not all(map(isfinite, values)): raise ValueError("finite values")
queue, result = deque(), []
for i, value in enumerate(values):
while queue and queue[0] <= i - width: queue.popleft()
while queue and values[queue[-1]] <= value: queue.pop()
queue.append(i)
if i >= width - 1: result.append(values[queue[0]])
return result| Revisa antes de aplicar | Compara el comportamiento real con el resultado esperado. Si una prueba falla, investiga la causa antes de hacer más cambios. |
|---|---|
| Modelos | Configura un endpoint compatible con OpenAI o Anthropic usando la URL base y, si hace falta, una clave API. Prueba la conexión. Un servidor local debe estar en ejecución; las herramientas remotas pueden enviar datos por separado. |
| Proyecto | Comprueba máximos repetidos, valores negativos y límites del ancho, rechazando valores no finitos y anchos fuera de la longitud de entrada. |
from collections import deque
from math import isfinite
def window_max(values, width):
if type(width) is not int or not 1 <= width <= len(values):
raise ValueError("width")
if not all(map(isfinite, values)): raise ValueError("finite values")
queue, result = deque(), []
for i, value in enumerate(values):
while queue and queue[0] <= i - width: queue.popleft()
while queue and values[queue[-1]] <= value: queue.pop()
queue.append(i)
if i >= width - 1: result.append(values[queue[0]])
return resultMantén un cambio de cálculo conectado con su salida
WindowRidge es un entorno de programación con IA para Windows donde analizar cambios en el contexto del proyecto que los utilizará. Empieza por la salida que espera tu aplicación e identifica el código que la produce. Pide al modelo conectado que inspeccione el proceso actual antes de proponer una sustitución, para mantener los detalles de implementación vinculados a un requisito visible.
Un cálculo de máximos de anchura fija es una tarea útil. Especifica que cada resultado corresponde a una ventana completa e incluye el código que asocia los resultados con posiciones de entrada. Analiza máximos repetidos, valores negativos y límites válidos de anchura antes de pedir un cambio. Esto da a la revisión un contrato que va más allá de obtener el número más grande de una muestra corta.
Usa las pruebas de tu proyecto para comparar la salida propuesta con casos explícitos. Comprueba el número de resultados y su alineación además de los valores, incluyendo una anchura de uno y otra igual a la longitud de entrada. Si el cambio pretende mejorar la eficiencia, mídelo con tu propia carga de trabajo en lugar de inferir una garantía de velocidad de una implementación diferente.
Conecta un endpoint compatible con OpenAI o de Anthropic admitido para elegir el modelo de WindowRidge. Ese proveedor puede ofrecer un modelo de IA sin restricciones, con credenciales cuando sean necesarias. El comportamiento del modelo, la capacidad de contexto y las herramientas dependen de la conexión real; aceptar un cambio de cálculo sigue requiriendo tu revisión y verificación.
Planificar un parche de cálculo por ventanas
- ¿Por qué mostrar el consumidor de la salida además de la rutina?
Un consumidor puede asociar cada valor a una posición de entrada determinada. Un cambio puede conservar los máximos y desplazar esa asociación. Incluye el código que llama a la rutina y define qué ventana representa cada salida para que la revisión cubra tanto la alineación como la aritmética.
- ¿Qué anchuras deben incluirse en un conjunto pequeño de pruebas?
Usa uno, la longitud completa de la entrada y una anchura inválida, además del caso habitual que necesita tu aplicación. Indica la política de rechazo de valores inválidos. Verifica tanto los valores como la cantidad de resultados con las comprobaciones existentes del proyecto.
- ¿Cómo evalúo una sugerencia relativa a eficiencia?
Confirma primero un comportamiento equivalente con tus casos de prueba. Después mide la candidata con datos representativos y tus propias herramientas. La explicación de un enfoque por el modelo es contexto útil de revisión, pero no evidencia del rendimiento en tu aplicación.
- ¿Necesitan atención especial los máximos repetidos?
Inclúyelos porque una implementación puede seguir posiciones candidatas además de valores. Pide una explicación de cómo salen de la ventana los candidatos antiguos y compara el comportamiento propuesto con una secuencia esperada explícita antes de aceptar el parche.
WindowRidge · Actualizado 2026-10-25