Maximums des fenêtres glissantes
Trouvez le maximum de chaque fenêtre numérique complète de largeur fixe.
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| Vérifiez avant d’appliquer | Comparez le comportement observé au résultat attendu. Si une vérification échoue, cherchez la cause avant de poursuivre les modifications. |
|---|---|
| Modèles | Configurez un endpoint compatible OpenAI ou Anthropic avec son URL de base et une clé API si nécessaire. Testez la connexion. Un serveur local doit fonctionner ; les outils distants peuvent transmettre des données séparément. |
| Projet | Vérifiez maximums répétés, valeurs négatives et bornes de largeur, en refusant valeurs non finies et largeurs dépassant l’entrée. |
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 resultGardez une modification de calcul liée à sa sortie
WindowRidge est un espace de programmation avec IA sous Windows pour discuter des modifications dans le contexte du projet qui les utilisera. Partez de la sortie attendue par l’application et identifiez le code source qui la produit. Demandez au modèle connecté d’inspecter le parcours actuel avant de proposer un remplacement, afin de lier les détails d’implémentation à une exigence visible.
Le calcul d’un maximum sur une fenêtre de largeur fixe constitue une tâche utile. Précisez que chaque résultat correspond à une fenêtre complète et incluez l’appelant associant les résultats aux positions d’entrée. Discutez des maxima répétés, valeurs négatives et bornes de largeur valides avant de demander une modification. L’examen dispose ainsi d’un contrat allant au-delà de l’obtention du plus grand nombre d’un petit exemple.
Utilisez les tests du projet pour comparer la sortie proposée à des jeux de test explicites. Vérifiez le nombre et l’alignement des résultats autant que leurs valeurs, notamment pour une largeur de un et une largeur égale à la longueur d’entrée. Si le changement vise une meilleure efficacité, mesurez-le avec votre charge de travail au lieu de déduire une garantie de vitesse d’une autre implémentation.
Connectez un point de terminaison compatible OpenAI ou Anthropic pris en charge pour choisir le modèle de WindowRidge. Un modèle d’IA sans restriction peut être disponible chez ce fournisseur, avec des identifiants si nécessaire. Comportement du modèle, capacité de contexte et outils pris en charge dépendent de la connexion réelle ; accepter une modification de calcul exige toujours votre examen et vos vérifications.
Préparer un correctif de calcul par fenêtre
- Pourquoi montrer le consommateur de sortie autant que la routine ?
Un consommateur peut associer chaque valeur à une position d’entrée précise. Une modification peut préserver les maxima tout en décalant cette association. Incluez l’appelant et définissez la fenêtre représentée par chaque sortie afin d’examiner l’alignement autant que l’arithmétique.
- Quels cas de largeur inclure dans un petit ensemble de tests ?
Utilisez un, la longueur complète de l’entrée et une largeur invalide, en plus du cas ordinaire requis par l’application. Précisez la règle de rejet des valeurs invalides. Vérifiez les valeurs et le nombre de résultats avec les contrôles existants du projet.
- Comment évaluer une suggestion liée à l’efficacité ?
Confirmez d’abord l’équivalence du comportement sur vos jeux de test. Mesurez ensuite la solution candidate avec des données représentatives et vos propres outils. L’explication d’une approche par un modèle est un contexte utile d’examen, mais pas une preuve de performance dans votre application.
- Les maxima répétés demandent-ils une attention particulière ?
Incluez-les, car une implémentation peut suivre les positions candidates autant que les valeurs. Demandez comment les anciens candidats quittent la fenêtre, puis comparez le comportement proposé à une séquence attendue explicite avant d’accepter le correctif.
WindowRidge · Mis à jour 2026-10-25