标签: 数组
难度: Easy
给定一个未经排序的整数数组，找到最长且 连续递增的子序列，并返回该序列的长度。
连续递增的子序列 可以由两个下标 l 和 r（l < r）确定，如果对于每个 l <= i < r，都有 nums[i] < nums[i + 1] ，那么子序列 [nums[l], nums[l + 1], ..., nums[r - 1], nums[r]] 就是连续递增子序列。
示例 1：
输入：nums = [1,3,5,4,7] 输出：3 解释：最长连续递增序列是 [1,3,5], 长度为3。 尽管 [1,3,5,7] 也是升序的子序列, 但它不是连续的，因为 5 和 7 在原数组里被 4 隔开。
示例 2：
输入：nums = [2,2,2,2,2] 输出：1 解释：最长连续递增序列是 [2], 长度为1。
提示：
1 <= nums.length <= 104-109 <= nums[i] <= 109运行时间: 18 ms
内存: 16.9 MB
class Solution:
def findLengthOfLCIS(self, nums: List[int]) -> int:
left=0
longest=0
if len(nums)==1:
return 1
for right in range(1,len(nums)):
if nums[right]>nums[right-1]:
longest=max(longest,right-left+1)
else:
longest=max(longest,right-left)
left=right
#longest=max(longest,right-left+1)
return longest
这个题解采用了双指针的思路。左指针 left 表示当前连续递增子序列的起始位置，右指针 right 用于遍历数组。通过比较当前元素与前一个元素的大小，可以判断是否仍然保持递增趋势。如果递增，则更新最长长度 longest。如果递增中断，则更新 left 指针到当前位置，表示重新开始寻找连续递增子序列。最后返回找到的最长连续递增子序列的长度 longest。
时间复杂度: O(n)
空间复杂度: O(1)
class Solution:
def findLengthOfLCIS(self, nums: List[int]) -> int:
left = 0 # 左指针，表示当前连续递增子序列的起始位置
longest = 0 # 记录最长连续递增子序列的长度
if len(nums) == 1:
return 1
for right in range(1, len(nums)): # 右指针，用于遍历数组
if nums[right] > nums[right - 1]: # 如果当前元素大于前一个元素，说明递增序列继续
longest = max(longest, right - left + 1) # 更新最长长度
else: # 如果递增中断
longest = max(longest, right - left) # 更新最长长度
left = right # 将左指针移动到当前位置，重新开始寻找连续递增子序列
return longest
这实际上是题解中的一个错误。在递增中断时，正确的做法应该是使用 `right-left+1` 来计算长度，因为 `left` 和 `right` 之间的距离需要包括 `left` 所指向的元素。例如，如果 `left` 指向索引 0 而 `right` 指向索引 1，此时子序列包含两个元素，应该使用 `right-left+1` 计算长度为 2。
是的，题解中的方法能正确处理这种情况并返回长度为 1。因为每次当 `nums[right]` 不大于 `nums[right-1]` 时，左指针 `left` 会更新到 `right` 的位置，因此对于所有相同元素的数组，每次比较都会导致 `left` 更新，每个独立元素都被视为长度为 1 的连续递增子序列。
是的，这是一个通用的边界条件处理。对于任何长度为 1 的数组，由于没有其他元素与之比较，这单个元素自成一段连续递增子序列，长度自然为 1。这种处理是简洁且有效的，适用于所有长度为 1 的数组情况。
是的，代码中的更新逻辑可以进行优化以简化代码。可以在循环结束后进行一次更新，而不是在循环的每个步骤中都进行。具体来说，可以在循环外部再添加一次 `longest = max(longest, right - left + 1)` 的操作，以确保最后一个连续递增子序列也被计算在内。这样，就无需在每个递增和中断点都更新 `longest`，从而简化代码。