1. 从一道经典面试题说起评委打分的“去极值”算法最近在带新人顺手翻出了几道经典的Java基础题给他们练手其中一道就是“评委打分去掉一个最高分和一个最低分然后计算平均分”。这题目乍一看简单得不行不就是数组操作加个算术平均嘛。但当我让他们现场手写时问题就暴露出来了有人用Arrays.sort()排序后掐头去尾有人写了两层循环找最大最小值还有人直接上手Stream API但没处理好边界。更关键的是几乎没人第一时间去考虑“如果所有分数都一样怎么办”或者“如果评委人数少于3个这规则还适用吗”这类边界情况。这道题之所以能成为面试常客甚至出现在一些初级工程师的笔试题里正是因为它麻雀虽小五脏俱全。它考察的远不止是语法而是对数组基础操作、逻辑严谨性、边界条件处理以及算法效率的直观理解。一个合格的实现应该像瑞士军刀一样简洁、可靠、能应对各种情况。今天我就结合自己这些年面试别人和被面试的经验把这个看似简单的功能掰开揉碎了讲聊聊不同实现方案背后的考量以及在实际业务代码里我们可能会怎么处理类似的需求。2. 需求拆解与核心逻辑建模在动手写代码之前我们得先把需求彻底搞清楚。题目描述是“去除最高分和最低分然后获取平均值”但这短短一句话里藏着好几个需要明确的点。2.1 明确输入与输出首先输入是什么通常我们会有一个包含所有评委打分的数组比如double[] scores或者int[] scores。使用double是为了能处理带小数的分数更通用。输出则是一个代表平均值的浮点数。2.2 “去除”的精确含义这里的“去除”是指从计算样本中排除。假设有N个分数去除一个最高分和一个最低分后参与求平均的分数个数就是 N-2。因此平均值的计算公式是(总分 - 最高分 - 最低分) / (N - 2)。这里就引出了第一个边界条件N必须大于2。如果只有1个或2个评委去掉最高最低分后就没分数可用了这种业务场景下通常需要抛出异常或返回一个特殊值如0或原分数具体取决于业务规则。2.3 处理并列的极值这是一个极易忽略的坑。如果最高分有多个相同的比如两个评委都打了10分或者最低分有多个相同的我们“去除”几个按照常见的业务理解尤其是体育比赛、歌唱比赛规则通常是只去掉一个最高分和一个最低分即使有并列。也就是说如果有两个最高分都是10分我们只去掉其中一个另一个10分依然参与计算。我们的算法必须准确体现这一点而不是把所有等于极值的分数都去掉。2.4 算法目标基于以上分析我们的算法需要遍历一次数组准确找出唯一的一个最大值和唯一的一个最小值即使有并列也只记录第一次找到的索引或值。计算数组中所有元素的总和。根据公式(总和 - 最大值 - 最小值) / (数组长度 - 2)计算结果。妥善处理数组长度小于等于2的边界情况。3. 基础实现方案一次遍历的“侦察兵”法最直接也最高效的方法是在一次遍历中同时完成求和、找最大值、找最小值这三项任务。我把它叫做“侦察兵”法想象你带着一队侦察兵循环探查整个数组地形同时记录下当前遇到的海拔最高点最大值、海拔最低点最小值以及总路程总和。public static double calculateAverageExcludingExtremes(double[] scores) { if (scores null || scores.length 2) { // 边界处理返回0或抛出异常依业务而定 // throw new IllegalArgumentException(评委人数必须大于2); return 0.0; } double sum 0; double max scores[0]; double min scores[0]; for (double score : scores) { sum score; if (score max) { max score; } if (score min) { min score; } } double adjustedSum sum - max - min; return adjustedSum / (scores.length - 2); }为什么这是最优解它的时间复杂度是 O(n)只需要遍历数组一次空间复杂度是 O(1)只用了几个临时变量。对于任何规模的数据这都是效率最高的做法。在面试中能写出这个版本说明你对循环和基本算法思想掌握得很扎实。这里有三个关键的实操细节初始化max和min不能初始化为0而必须初始化为数组的第一个元素scores[0]。这是因为如果数组里全是负数初始化为0的max就永远不会被更新导致结果错误。并列极值处理这段代码中当遇到等于当前max或min的分数时if条件不成立极值不会被更新。这正好符合我们“只去掉一个”的需求。第一次找到的极值被记录后续相同的值被视为普通分数。精度问题使用double计算总和与平均值可能存在浮点数精度误差。对于金融或高精度评分场景可以考虑使用BigDecimal。但在大多数表演评分场景下double的精度足够。4. 排序方案的误区与局限性很多新手的第一反应是排序。先调用Arrays.sort(scores)然后去掉头尾元素再对中间部分求平均。// 不推荐的排序方案 public static double calculateAverageBySorting(double[] scores) { if (scores null || scores.length 2) { return 0.0; } Arrays.sort(scores); double sum 0; // 从索引1开始到倒数第二个结束 for (int i 1; i scores.length - 1; i) { sum scores[i]; } return sum / (scores.length - 2); }这个方法看起来清晰但为什么它通常不是最佳答案呢4.1 效率损失Arrays.sort()对于对象数组使用 TimSort对于基本类型数组使用双轴快速排序其平均时间复杂度是 O(n log n)。这比我们一次遍历的 O(n) 要慢。当评委数量很多比如成千上万个线上用户评分时这个差异会变得明显。4.2 破坏了原始数据排序是原地操作它会改变传入数组的顺序。如果调用方后续还需要原始的分数序列做其他分析比如分析打分分布这个副作用就是致命的。当然你可以先拷贝数组再排序但这又增加了 O(n) 的空间和时间开销。4.3 并列极值处理可能出错排序后所有相同的最高分会紧挨着出现在末尾。如果我们简单地“去掉头尾”实际上是把所有等于极值的分数都排除了。例如分数为[7, 9, 9, 8, 9]排序后是[7,8,9,9,9]。去掉头尾后剩下[8,9,9]总和是26平均是8.67。而用“侦察兵”法最大值是第一个9最小值是7总和42减去后是26平均同样是8.67。在这个例子里结果巧合相同。但如果分数是[9, 6, 9, 9]排序去头尾法会错误地去掉两个9导致计算错误。注意在面试中如果你提出排序方案面试官很可能会追问时间和空间复杂度以及是否修改原数组。你必须能清楚地分析出这些优缺点。5. 使用Stream API的现代写法对于使用Java 8及以上版本的开发者Stream API提供了一种声明式的、函数式的解决方案。import java.util.Arrays; import java.util.DoubleSummaryStatistics; public static double calculateAverageUsingStream(double[] scores) { if (scores null || scores.length 2) { return 0.0; } DoubleSummaryStatistics stats Arrays.stream(scores).summaryStatistics(); double sum stats.getSum(); double max stats.getMax(); double min stats.getMin(); // 问题如何确保只减去一个max和一个min // 直接 sum - max - min 会错误地减去所有极值吗 // 需要找到第一个最大和第一个最小的索引 }Stream方案的陷阱看起来很美但有个大问题DoubleSummaryStatistics提供的getMax()和getMin()是值而不是索引。我们无法知道最大值和最小值在数组中出现了几次以及第一次出现的位置。直接用sum - max - min会犯和排序法类似的错误如果极值有重复就多减了。 因此一个完整的Stream实现反而更复杂需要结合索引来操作public static double calculateAverageUsingStreamCorrectly(double[] scores) { if (scores null || scores.length 2) { return 0.0; } // 找到第一个最大值和最小值的索引 double maxValue Arrays.stream(scores).max().orElse(Double.NaN); double minValue Arrays.stream(scores).min().orElse(Double.NaN); int maxIndex IntStream.range(0, scores.length) .filter(i - scores[i] maxValue) .findFirst() .orElse(-1); int minIndex IntStream.range(0, scores.length) .filter(i - scores[i] minValue) .findFirst() .orElse(-1); double sum Arrays.stream(scores).sum(); // 确保不是同一个索引虽然概率极低 if (maxIndex minIndex) { // 如果最大值和最小值是同一个数即所有分数相同则任意去掉一个即可 sum - maxValue; return sum / (scores.length - 1); // 这里变成了去掉一个分数 } double adjustedSum sum - maxValue - minValue; return adjustedSum / (scores.length - 2); }这个实现虽然功能正确但为了找索引遍历了多次数组找最大值、找最小值、找最大值索引、找最小值索引、求和效率远低于一次遍历的基础方法。它展示了Stream的灵活性但在性能敏感的场合并不适用。6. 边界条件与异常处理的实战经验在真实项目中代码的健壮性比算法炫技更重要。下面我们来详细处理各种边界情况。6.1 输入为空或长度不足这是最基本的防御性编程。方法开头必须检查。public static double calculateAverageRobust(double[] scores) throws IllegalArgumentException { // 1. 空指针检查 if (scores null) { throw new IllegalArgumentException(评分数组不能为null); } // 2. 长度检查 int len scores.length; if (len 2) { // 业务决策点是抛出异常还是返回一个默认值 // 决策依据调用方是否认为这是错误情况。 // 方案A抛出异常强制调用方处理 throw new IllegalArgumentException(评委人数必须大于2当前人数 len); // 方案B返回特殊值如0或所有分数的平均 // if (len 0) return 0.0; // if (len 1) return scores[0]; // if (len 2) return (scores[0] scores[1]) / 2.0; } // ... 后续计算逻辑 }6.2 所有分数相同的情况当所有分数都相等时最大值等于最小值。根据我们的公式总和 - max - min就变成了总和 - 2 * score。这符合逻辑吗符合。因为我们要去掉一个最高分和一个最低分而它们恰好是同一个值所以总和里需要减去两份这个值。最终平均值等于(n*score - 2*score) / (n-2) score。结果是合理的所有分数相同去掉两个一样的剩下的还是这个分数平均分不变。我们的“侦察兵”法能正确处理这种情况。6.3 浮点数的精度与比较在找最大值和最小值时我们使用了和进行比较。对于浮点数直接使用判断相等是不可靠的因为存在精度误差。但在本算法中我们只使用和不直接判断相等因此避免了浮点数等值比较的经典陷阱。然而如果业务上需要判断“是否已经去掉极值”或者处理非常接近的分数就需要考虑引入一个误差容忍度epsilon。// 如果需要处理浮点数精度比较时可以这样写 private static final double EPSILON 1e-10; if (Math.abs(score - max) EPSILON) { // 视为相等根据业务决定是否更新max通常不更新 }6.4 分数为负数或超出合理范围如果评分标准是0-10分但数组里出现了-1或100逻辑上我们的算法依然能工作但结果可能没有业务意义。这属于数据校验的范畴应该在数据进入系统时就做好约束而不是在计算平均值的函数里处理。不过为了健壮性可以添加一个可选的校验public static double calculateAverageWithValidation(double[] scores, double minValid, double maxValid) { // ... 空值和长度检查 for (double score : scores) { if (score minValid || score maxValid) { throw new IllegalArgumentException(String.format(分数 %.2f 超出有效范围 [%.2f, %.2f], score, minValid, maxValid)); } } // ... 后续计算 }7. 性能对比与单元测试验证光说不练假把式我们写个简单的测试来验证不同方法的正确性和性能。7.1 单元测试用例设计一个好的测试应该覆盖正常情况和所有边界情况。import org.junit.jupiter.api.Test; import static org.junit.jupiter.api.Assertions.*; class JudgeScoreCalculatorTest { Test void testNormalCase() { double[] scores {9.1, 8.5, 9.8, 8.9, 9.3}; double expected (9.1 8.5 8.9 9.3) / 4.0; // 去掉9.8和8.5 assertEquals(expected, calculateAverageExcludingExtremes(scores), 1e-10); } Test void testAllScoresSame() { double[] scores {7.5, 7.5, 7.5, 7.5}; assertEquals(7.5, calculateAverageExcludingExtremes(scores), 1e-10); } Test void testDuplicateMaxAndMin() { // 两个最高分一个最低分 double[] scores {5.0, 10.0, 9.0, 10.0, 8.0}; // 去掉一个10.0和一个5.0剩下 [10.0, 9.0, 8.0]平均9.0 assertEquals(9.0, calculateAverageExcludingExtremes(scores), 1e-10); } Test void testOnlyThreeScores() { double[] scores {10.0, 5.0, 8.0}; // 去掉10.0和5.0剩下8.0平均8.0 assertEquals(8.0, calculateAverageExcludingExtremes(scores), 1e-10); } Test void testInvalidInput() { // 测试长度不足 double[] twoScores {9.0, 8.0}; assertThrows(IllegalArgumentException.class, () - calculateAverageExcludingExtremes(twoScores)); // 测试null assertThrows(IllegalArgumentException.class, () - calculateAverageExcludingExtremes(null)); } }7.2 简单性能对比我们可以写一个简单的性能测试感受一下不同数据规模下的差异。public class PerformanceComparison { public static void main(String[] args) { int size 1000000; // 100万个评分 double[] scores new double[size]; Random rand new Random(); for (int i 0; i size; i) { scores[i] rand.nextDouble() * 10; // 生成0-10之间的随机分数 } // 预热 calculateAverageExcludingExtremes(Arrays.copyOf(scores, 100)); // 测试一次遍历法 long startTime System.nanoTime(); double result1 calculateAverageExcludingExtremes(scores); long endTime System.nanoTime(); System.out.printf(一次遍历法: 结果%.4f, 耗时%.2f ms%n, result1, (endTime - startTime) / 1_000_000.0); // 测试排序法需要拷贝数组因为排序会修改原数组 startTime System.nanoTime(); double[] copy Arrays.copyOf(scores, scores.length); double result2 calculateAverageBySorting(copy); endTime System.nanoTime(); System.out.printf(排序法: 结果%.4f, 耗时%.2f ms%n, result2, (endTime - startTime) / 1_000_000.0); } }在我的笔记本上运行一次遍历法通常比排序法快一个数量级。当数据量达到百万级时这个差异会从毫秒级扩大到几十甚至上百毫秒。在追求高性能的服务中这个优化是有意义的。8. 业务场景扩展不只是去掉一个现实中的评分规则可能更复杂。比如“去掉两个最高分和两个最低分”或者“去掉最高最低的10%”。这时我们的算法需要如何调整8.1 去掉多个最高分和最低分假设要去掉t个最高分和t个最低分。最直观的方法是排序然后取中间的部分。这在t较小且数组不大时是可以接受的。public static double calculateAverageExcludingMultiple(double[] scores, int t) { if (scores null || scores.length 2 * t) { throw new IllegalArgumentException(去掉的分数数量过多); } Arrays.sort(scores); double sum 0; for (int i t; i scores.length - t; i) { sum scores[i]; } return sum / (scores.length - 2 * t); }8.2 使用优先队列堆处理海量数据如果数据量极大比如来自千万用户的实时评分流而t值相对较小比如只去掉前10名和后10名排序整个数组就太浪费了。我们可以使用两个优先队列堆来高效地找出最大的t个元素和最小的t个元素。用一个最小堆来保存最大的t个数。堆顶是这个集合里最小的数也就是第t大的数。用一个最大堆来保存最小的t个数。堆顶是这个集合里最大的数也就是第t小的数。遍历数组维护这两个堆。最后总和减去两个堆中所有元素的和再除以(n - 2t)。这种方法的时间复杂度是 O(n log t)当t n时比 O(n log n) 的排序要快得多。空间复杂度是 O(t)。这是典型的“用空间换时间”也是处理大数据流Top K问题的标准思路。8.3 加权平均与中位数在一些严肃的评审中可能还会用到加权平均不同评委权重不同或者直接使用中位数来避免极端值的影响。中位数的计算同样可以通过快速选择算法在平均O(n)时间内完成这比排序求中位数更优。这些扩展都体现了同一个思想根据具体的、变化的业务需求选择最合适的算法和数据结构而不是固守一个“标准答案”。9. 从这道题看编程思维的培养回过头看“评委打分”这道题的价值远远超出了它本身的代码行数。它像一块试金石能快速检验出一个程序员的基本功和思维习惯。9.1 思维误区过度设计新手容易犯的错误是“杀鸡用牛刀”。一看到数组和统计就想用Stream一听到排序就想写个冒泡排序展示算法知识。但在生产环境中简单、清晰、高效的代码才是最好的。一次遍历的“侦察兵”法就是KISS原则Keep It Simple, Stupid的完美体现。在面试中先给出这个最朴素的解法并清晰阐述其时间和空间复杂度往往比炫技更能赢得好感。9.2 沟通的重要性在动手写代码前一定要和需求方或面试官确认细节。比如“如果分数有并列怎么处理”“评委人数少于3人怎么办”“分数有范围限制吗”“这个函数的调用频率和数据量大概是多少”这些问题的答案会直接影响你的实现方案。把问题问清楚是专业性的体现也能避免后期返工。9.3 测试驱动开发TDD的实践这道题非常适合用来练习TDD。你可以先写下测试用例包括正常情况、边界情况空数组、短数组、全相同分数、重复极值然后再去实现代码让代码逐步通过所有测试。这个过程能极大地增强你对代码正确性的信心。我自己在实现这类工具方法时养成了一个习惯先把所有能想到的边界用例写在注释里然后再开始写逻辑。这相当于一次脑内的测试设计能提前发现很多逻辑漏洞。9.4 代码的“味道”对比几种实现我们能嗅出一些代码的“坏味道”排序法有“不必要的复杂”和“副作用”的味道修改了输入。Stream索引法有“重复造轮子”和“效率低下”的味道多次遍历。一次遍历法清晰、高效、无副作用是“好代码”该有的样子。这道题虽然简单但它串联起了数组操作、循环控制、边界处理、算法效率、API选择、测试设计等多个编程基础知识点。下次你再看到它希望想到的不再是几行代码而是背后这一整套的思考过程和工程实践。这才是它真正想教会你的东西。
1. 从一道经典面试题说起评委打分的“去极值”算法最近在带新人顺手翻出了几道经典的Java基础题给他们练手其中一道就是“评委打分去掉一个最高分和一个最低分然后计算平均分”。这题目乍一看简单得不行不就是数组操作加个算术平均嘛。但当我让他们现场手写时问题就暴露出来了有人用Arrays.sort()排序后掐头去尾有人写了两层循环找最大最小值还有人直接上手Stream API但没处理好边界。更关键的是几乎没人第一时间去考虑“如果所有分数都一样怎么办”或者“如果评委人数少于3个这规则还适用吗”这类边界情况。这道题之所以能成为面试常客甚至出现在一些初级工程师的笔试题里正是因为它麻雀虽小五脏俱全。它考察的远不止是语法而是对数组基础操作、逻辑严谨性、边界条件处理以及算法效率的直观理解。一个合格的实现应该像瑞士军刀一样简洁、可靠、能应对各种情况。今天我就结合自己这些年面试别人和被面试的经验把这个看似简单的功能掰开揉碎了讲聊聊不同实现方案背后的考量以及在实际业务代码里我们可能会怎么处理类似的需求。2. 需求拆解与核心逻辑建模在动手写代码之前我们得先把需求彻底搞清楚。题目描述是“去除最高分和最低分然后获取平均值”但这短短一句话里藏着好几个需要明确的点。2.1 明确输入与输出首先输入是什么通常我们会有一个包含所有评委打分的数组比如double[] scores或者int[] scores。使用double是为了能处理带小数的分数更通用。输出则是一个代表平均值的浮点数。2.2 “去除”的精确含义这里的“去除”是指从计算样本中排除。假设有N个分数去除一个最高分和一个最低分后参与求平均的分数个数就是 N-2。因此平均值的计算公式是(总分 - 最高分 - 最低分) / (N - 2)。这里就引出了第一个边界条件N必须大于2。如果只有1个或2个评委去掉最高最低分后就没分数可用了这种业务场景下通常需要抛出异常或返回一个特殊值如0或原分数具体取决于业务规则。2.3 处理并列的极值这是一个极易忽略的坑。如果最高分有多个相同的比如两个评委都打了10分或者最低分有多个相同的我们“去除”几个按照常见的业务理解尤其是体育比赛、歌唱比赛规则通常是只去掉一个最高分和一个最低分即使有并列。也就是说如果有两个最高分都是10分我们只去掉其中一个另一个10分依然参与计算。我们的算法必须准确体现这一点而不是把所有等于极值的分数都去掉。2.4 算法目标基于以上分析我们的算法需要遍历一次数组准确找出唯一的一个最大值和唯一的一个最小值即使有并列也只记录第一次找到的索引或值。计算数组中所有元素的总和。根据公式(总和 - 最大值 - 最小值) / (数组长度 - 2)计算结果。妥善处理数组长度小于等于2的边界情况。3. 基础实现方案一次遍历的“侦察兵”法最直接也最高效的方法是在一次遍历中同时完成求和、找最大值、找最小值这三项任务。我把它叫做“侦察兵”法想象你带着一队侦察兵循环探查整个数组地形同时记录下当前遇到的海拔最高点最大值、海拔最低点最小值以及总路程总和。public static double calculateAverageExcludingExtremes(double[] scores) { if (scores null || scores.length 2) { // 边界处理返回0或抛出异常依业务而定 // throw new IllegalArgumentException(评委人数必须大于2); return 0.0; } double sum 0; double max scores[0]; double min scores[0]; for (double score : scores) { sum score; if (score max) { max score; } if (score min) { min score; } } double adjustedSum sum - max - min; return adjustedSum / (scores.length - 2); }为什么这是最优解它的时间复杂度是 O(n)只需要遍历数组一次空间复杂度是 O(1)只用了几个临时变量。对于任何规模的数据这都是效率最高的做法。在面试中能写出这个版本说明你对循环和基本算法思想掌握得很扎实。这里有三个关键的实操细节初始化max和min不能初始化为0而必须初始化为数组的第一个元素scores[0]。这是因为如果数组里全是负数初始化为0的max就永远不会被更新导致结果错误。并列极值处理这段代码中当遇到等于当前max或min的分数时if条件不成立极值不会被更新。这正好符合我们“只去掉一个”的需求。第一次找到的极值被记录后续相同的值被视为普通分数。精度问题使用double计算总和与平均值可能存在浮点数精度误差。对于金融或高精度评分场景可以考虑使用BigDecimal。但在大多数表演评分场景下double的精度足够。4. 排序方案的误区与局限性很多新手的第一反应是排序。先调用Arrays.sort(scores)然后去掉头尾元素再对中间部分求平均。// 不推荐的排序方案 public static double calculateAverageBySorting(double[] scores) { if (scores null || scores.length 2) { return 0.0; } Arrays.sort(scores); double sum 0; // 从索引1开始到倒数第二个结束 for (int i 1; i scores.length - 1; i) { sum scores[i]; } return sum / (scores.length - 2); }这个方法看起来清晰但为什么它通常不是最佳答案呢4.1 效率损失Arrays.sort()对于对象数组使用 TimSort对于基本类型数组使用双轴快速排序其平均时间复杂度是 O(n log n)。这比我们一次遍历的 O(n) 要慢。当评委数量很多比如成千上万个线上用户评分时这个差异会变得明显。4.2 破坏了原始数据排序是原地操作它会改变传入数组的顺序。如果调用方后续还需要原始的分数序列做其他分析比如分析打分分布这个副作用就是致命的。当然你可以先拷贝数组再排序但这又增加了 O(n) 的空间和时间开销。4.3 并列极值处理可能出错排序后所有相同的最高分会紧挨着出现在末尾。如果我们简单地“去掉头尾”实际上是把所有等于极值的分数都排除了。例如分数为[7, 9, 9, 8, 9]排序后是[7,8,9,9,9]。去掉头尾后剩下[8,9,9]总和是26平均是8.67。而用“侦察兵”法最大值是第一个9最小值是7总和42减去后是26平均同样是8.67。在这个例子里结果巧合相同。但如果分数是[9, 6, 9, 9]排序去头尾法会错误地去掉两个9导致计算错误。注意在面试中如果你提出排序方案面试官很可能会追问时间和空间复杂度以及是否修改原数组。你必须能清楚地分析出这些优缺点。5. 使用Stream API的现代写法对于使用Java 8及以上版本的开发者Stream API提供了一种声明式的、函数式的解决方案。import java.util.Arrays; import java.util.DoubleSummaryStatistics; public static double calculateAverageUsingStream(double[] scores) { if (scores null || scores.length 2) { return 0.0; } DoubleSummaryStatistics stats Arrays.stream(scores).summaryStatistics(); double sum stats.getSum(); double max stats.getMax(); double min stats.getMin(); // 问题如何确保只减去一个max和一个min // 直接 sum - max - min 会错误地减去所有极值吗 // 需要找到第一个最大和第一个最小的索引 }Stream方案的陷阱看起来很美但有个大问题DoubleSummaryStatistics提供的getMax()和getMin()是值而不是索引。我们无法知道最大值和最小值在数组中出现了几次以及第一次出现的位置。直接用sum - max - min会犯和排序法类似的错误如果极值有重复就多减了。 因此一个完整的Stream实现反而更复杂需要结合索引来操作public static double calculateAverageUsingStreamCorrectly(double[] scores) { if (scores null || scores.length 2) { return 0.0; } // 找到第一个最大值和最小值的索引 double maxValue Arrays.stream(scores).max().orElse(Double.NaN); double minValue Arrays.stream(scores).min().orElse(Double.NaN); int maxIndex IntStream.range(0, scores.length) .filter(i - scores[i] maxValue) .findFirst() .orElse(-1); int minIndex IntStream.range(0, scores.length) .filter(i - scores[i] minValue) .findFirst() .orElse(-1); double sum Arrays.stream(scores).sum(); // 确保不是同一个索引虽然概率极低 if (maxIndex minIndex) { // 如果最大值和最小值是同一个数即所有分数相同则任意去掉一个即可 sum - maxValue; return sum / (scores.length - 1); // 这里变成了去掉一个分数 } double adjustedSum sum - maxValue - minValue; return adjustedSum / (scores.length - 2); }这个实现虽然功能正确但为了找索引遍历了多次数组找最大值、找最小值、找最大值索引、找最小值索引、求和效率远低于一次遍历的基础方法。它展示了Stream的灵活性但在性能敏感的场合并不适用。6. 边界条件与异常处理的实战经验在真实项目中代码的健壮性比算法炫技更重要。下面我们来详细处理各种边界情况。6.1 输入为空或长度不足这是最基本的防御性编程。方法开头必须检查。public static double calculateAverageRobust(double[] scores) throws IllegalArgumentException { // 1. 空指针检查 if (scores null) { throw new IllegalArgumentException(评分数组不能为null); } // 2. 长度检查 int len scores.length; if (len 2) { // 业务决策点是抛出异常还是返回一个默认值 // 决策依据调用方是否认为这是错误情况。 // 方案A抛出异常强制调用方处理 throw new IllegalArgumentException(评委人数必须大于2当前人数 len); // 方案B返回特殊值如0或所有分数的平均 // if (len 0) return 0.0; // if (len 1) return scores[0]; // if (len 2) return (scores[0] scores[1]) / 2.0; } // ... 后续计算逻辑 }6.2 所有分数相同的情况当所有分数都相等时最大值等于最小值。根据我们的公式总和 - max - min就变成了总和 - 2 * score。这符合逻辑吗符合。因为我们要去掉一个最高分和一个最低分而它们恰好是同一个值所以总和里需要减去两份这个值。最终平均值等于(n*score - 2*score) / (n-2) score。结果是合理的所有分数相同去掉两个一样的剩下的还是这个分数平均分不变。我们的“侦察兵”法能正确处理这种情况。6.3 浮点数的精度与比较在找最大值和最小值时我们使用了和进行比较。对于浮点数直接使用判断相等是不可靠的因为存在精度误差。但在本算法中我们只使用和不直接判断相等因此避免了浮点数等值比较的经典陷阱。然而如果业务上需要判断“是否已经去掉极值”或者处理非常接近的分数就需要考虑引入一个误差容忍度epsilon。// 如果需要处理浮点数精度比较时可以这样写 private static final double EPSILON 1e-10; if (Math.abs(score - max) EPSILON) { // 视为相等根据业务决定是否更新max通常不更新 }6.4 分数为负数或超出合理范围如果评分标准是0-10分但数组里出现了-1或100逻辑上我们的算法依然能工作但结果可能没有业务意义。这属于数据校验的范畴应该在数据进入系统时就做好约束而不是在计算平均值的函数里处理。不过为了健壮性可以添加一个可选的校验public static double calculateAverageWithValidation(double[] scores, double minValid, double maxValid) { // ... 空值和长度检查 for (double score : scores) { if (score minValid || score maxValid) { throw new IllegalArgumentException(String.format(分数 %.2f 超出有效范围 [%.2f, %.2f], score, minValid, maxValid)); } } // ... 后续计算 }7. 性能对比与单元测试验证光说不练假把式我们写个简单的测试来验证不同方法的正确性和性能。7.1 单元测试用例设计一个好的测试应该覆盖正常情况和所有边界情况。import org.junit.jupiter.api.Test; import static org.junit.jupiter.api.Assertions.*; class JudgeScoreCalculatorTest { Test void testNormalCase() { double[] scores {9.1, 8.5, 9.8, 8.9, 9.3}; double expected (9.1 8.5 8.9 9.3) / 4.0; // 去掉9.8和8.5 assertEquals(expected, calculateAverageExcludingExtremes(scores), 1e-10); } Test void testAllScoresSame() { double[] scores {7.5, 7.5, 7.5, 7.5}; assertEquals(7.5, calculateAverageExcludingExtremes(scores), 1e-10); } Test void testDuplicateMaxAndMin() { // 两个最高分一个最低分 double[] scores {5.0, 10.0, 9.0, 10.0, 8.0}; // 去掉一个10.0和一个5.0剩下 [10.0, 9.0, 8.0]平均9.0 assertEquals(9.0, calculateAverageExcludingExtremes(scores), 1e-10); } Test void testOnlyThreeScores() { double[] scores {10.0, 5.0, 8.0}; // 去掉10.0和5.0剩下8.0平均8.0 assertEquals(8.0, calculateAverageExcludingExtremes(scores), 1e-10); } Test void testInvalidInput() { // 测试长度不足 double[] twoScores {9.0, 8.0}; assertThrows(IllegalArgumentException.class, () - calculateAverageExcludingExtremes(twoScores)); // 测试null assertThrows(IllegalArgumentException.class, () - calculateAverageExcludingExtremes(null)); } }7.2 简单性能对比我们可以写一个简单的性能测试感受一下不同数据规模下的差异。public class PerformanceComparison { public static void main(String[] args) { int size 1000000; // 100万个评分 double[] scores new double[size]; Random rand new Random(); for (int i 0; i size; i) { scores[i] rand.nextDouble() * 10; // 生成0-10之间的随机分数 } // 预热 calculateAverageExcludingExtremes(Arrays.copyOf(scores, 100)); // 测试一次遍历法 long startTime System.nanoTime(); double result1 calculateAverageExcludingExtremes(scores); long endTime System.nanoTime(); System.out.printf(一次遍历法: 结果%.4f, 耗时%.2f ms%n, result1, (endTime - startTime) / 1_000_000.0); // 测试排序法需要拷贝数组因为排序会修改原数组 startTime System.nanoTime(); double[] copy Arrays.copyOf(scores, scores.length); double result2 calculateAverageBySorting(copy); endTime System.nanoTime(); System.out.printf(排序法: 结果%.4f, 耗时%.2f ms%n, result2, (endTime - startTime) / 1_000_000.0); } }在我的笔记本上运行一次遍历法通常比排序法快一个数量级。当数据量达到百万级时这个差异会从毫秒级扩大到几十甚至上百毫秒。在追求高性能的服务中这个优化是有意义的。8. 业务场景扩展不只是去掉一个现实中的评分规则可能更复杂。比如“去掉两个最高分和两个最低分”或者“去掉最高最低的10%”。这时我们的算法需要如何调整8.1 去掉多个最高分和最低分假设要去掉t个最高分和t个最低分。最直观的方法是排序然后取中间的部分。这在t较小且数组不大时是可以接受的。public static double calculateAverageExcludingMultiple(double[] scores, int t) { if (scores null || scores.length 2 * t) { throw new IllegalArgumentException(去掉的分数数量过多); } Arrays.sort(scores); double sum 0; for (int i t; i scores.length - t; i) { sum scores[i]; } return sum / (scores.length - 2 * t); }8.2 使用优先队列堆处理海量数据如果数据量极大比如来自千万用户的实时评分流而t值相对较小比如只去掉前10名和后10名排序整个数组就太浪费了。我们可以使用两个优先队列堆来高效地找出最大的t个元素和最小的t个元素。用一个最小堆来保存最大的t个数。堆顶是这个集合里最小的数也就是第t大的数。用一个最大堆来保存最小的t个数。堆顶是这个集合里最大的数也就是第t小的数。遍历数组维护这两个堆。最后总和减去两个堆中所有元素的和再除以(n - 2t)。这种方法的时间复杂度是 O(n log t)当t n时比 O(n log n) 的排序要快得多。空间复杂度是 O(t)。这是典型的“用空间换时间”也是处理大数据流Top K问题的标准思路。8.3 加权平均与中位数在一些严肃的评审中可能还会用到加权平均不同评委权重不同或者直接使用中位数来避免极端值的影响。中位数的计算同样可以通过快速选择算法在平均O(n)时间内完成这比排序求中位数更优。这些扩展都体现了同一个思想根据具体的、变化的业务需求选择最合适的算法和数据结构而不是固守一个“标准答案”。9. 从这道题看编程思维的培养回过头看“评委打分”这道题的价值远远超出了它本身的代码行数。它像一块试金石能快速检验出一个程序员的基本功和思维习惯。9.1 思维误区过度设计新手容易犯的错误是“杀鸡用牛刀”。一看到数组和统计就想用Stream一听到排序就想写个冒泡排序展示算法知识。但在生产环境中简单、清晰、高效的代码才是最好的。一次遍历的“侦察兵”法就是KISS原则Keep It Simple, Stupid的完美体现。在面试中先给出这个最朴素的解法并清晰阐述其时间和空间复杂度往往比炫技更能赢得好感。9.2 沟通的重要性在动手写代码前一定要和需求方或面试官确认细节。比如“如果分数有并列怎么处理”“评委人数少于3人怎么办”“分数有范围限制吗”“这个函数的调用频率和数据量大概是多少”这些问题的答案会直接影响你的实现方案。把问题问清楚是专业性的体现也能避免后期返工。9.3 测试驱动开发TDD的实践这道题非常适合用来练习TDD。你可以先写下测试用例包括正常情况、边界情况空数组、短数组、全相同分数、重复极值然后再去实现代码让代码逐步通过所有测试。这个过程能极大地增强你对代码正确性的信心。我自己在实现这类工具方法时养成了一个习惯先把所有能想到的边界用例写在注释里然后再开始写逻辑。这相当于一次脑内的测试设计能提前发现很多逻辑漏洞。9.4 代码的“味道”对比几种实现我们能嗅出一些代码的“坏味道”排序法有“不必要的复杂”和“副作用”的味道修改了输入。Stream索引法有“重复造轮子”和“效率低下”的味道多次遍历。一次遍历法清晰、高效、无副作用是“好代码”该有的样子。这道题虽然简单但它串联起了数组操作、循环控制、边界处理、算法效率、API选择、测试设计等多个编程基础知识点。下次你再看到它希望想到的不再是几行代码而是背后这一整套的思考过程和工程实践。这才是它真正想教会你的东西。
![[具身智能-181]：PC+服务器+具身机器人：构建具身智能从仿真到量产的闭环迭代混合架构](http://pic.xiahunao.cn/yaotu/[具身智能-181]：PC+服务器+具身机器人：构建具身智能从仿真到量产的闭环迭代混合架构)
