滑动窗口最大值是一道典型的滑动窗口的例题。该题被标记为困难，可能就在于最大值的判断，如果使用传统方式的话，时间复杂度就会很高。
关于最大值，可是尝试使用优先队列去解决，即构造大顶堆，也可以使用双向队列解决问题。
以下用两种方式都来解决一下。
方法一：优先队列解决
由于题目要求是选择窗口内的最大值，因此需要构造了大顶堆，此时得出来队首元素就是整个队列的最大值。
注意点：我们这里由于采用 Python 的 heapq 库来实现，而 heapq 库只能构造小顶堆。
因此，可以换一个思路进行实现，例如列表 [1,-3,12]：
首先，每个元素的负值都插入到优先队列中，构造小顶堆，产生的结果是这样的 [-12, 3, -1]
然后，将队首元素去除并且取反，得到的结果是 12。这就是我们想要的结果，取到了其中的最大值。
关于 Python 使用优先队列的方式，可以查看这一篇文章【https://mp.weixin.qq.com/s/94Rnnt7R5_kTfoAW0j-wyQ】，有详细的使用方式。
首先，初始化一个窗口大小的优先队列 window，并且记录元素（注意这里要取反）以及元素下标，组装成一个元祖 (-num, index)。
然后，当不断向右移动窗口，把新加进来的元素（元祖）加入到优先队列中。
最后，判断当前优先队列中的队首元素对应的 index，是否在固定窗口内，如果在，则取值并且取反；否则，删除队首元素，继续判断。
下面依旧用几个图清晰的一步一步操作：
我们用字符串为 nums=[12, -3, 1, -1, 9, 5], k = 3 来进行说明。
初始化 res 用来存储每个窗口最大值。
① 初始化优先队列 window=[(-12, 0), (3, 1), (-1, 2)]，判断队首元素的下标值 value=0 在当前窗口内。
所以，取出队首元素-12，并且取反，res=[12]
② 优先队列 window=[(-12, 0), (-1, 2), (1, 3), (3, 1)]，判断队首元素的下标值 value=0 不在当前窗口内，弹出队首元素。
此时，window=[(-12, 0), (-1, 2), (1, 3), (3, 1)]，再判断此时队首元素的下标值 value=2 在当前窗口内。
所以，取出队首元素-1，并且取反，res=[12, 1]
③ 优先队列 window=[(-9, 4), (-1, 2), (3, 1), (1, 3)]，判断队首元素的下标值 value=4 在当前窗口内。
所以，取出队首元素-9，并且取反，res=[12, 1, 9]
④优先队列 window=[(-9, 4), (-5, 5), (3, 1), (1, 3), (-1, 2)]，判断队首元素的下标值 value=4 在当前窗口内。
所以，取出队首元素-9，并且取反，res=[12, 1, 9, 9]
这个时候就都所有取数完成了！
中间关于 Python 的 hepq 库构造大顶堆有点绕，这点稍微理解下，对于后面的解题帮助特别大。
思路描述完了，再看下代码实现：
def maxSlidingWindow(self, nums, k): size = len(nums) window = [(-nums[i], i) for i in range(k)] heapq.heapify(window) res = [-window[0][0]] for i in range(k, size): heapq.heappush(window, (-nums[i], i)) while window[0][1] <= i-k: heapq.heappop(window) res.append(-window[0][0]) return res感觉描述了一堆，但是代码倒是很简洁。
说完方法一，下面看看方法二...
方法二：双向队列解决
为什么要使用双向队列呢？在算法执行过程中，需要两边进行入队和出队的操作。
大致思路也比较容易：
首先，初始化一个空队列 queue；
然后，逐个入队，但当下一个元素入队时，判断与队尾元素大小。如果小于队尾元素，则入队。否则，队尾依次出队，直到大于要入队的元素；
最后，判断队首元素是否是在窗口内，如果在窗口内，直接取值，否则，队首元素出队。
下面依旧用几个图清晰的一步一步操作：
① 元素 12 入队；窗口范围 [0, 0]
未形成窗口，不取值；