1. 从一个经典的面试题说起最近在带新人刷算法题又遇到了“蛇形填数”这个老朋友。说实话这题在各大公司的笔试和面试里出现的频率比我想象中要高得多。它不像动态规划那样需要复杂的状态转移也不像图论那样需要深厚的理论基础但它就像一面镜子能清晰地照出一个程序员最基础的编程素养对二维数组下标的掌控力、对循环边界的敏感度以及将抽象规则转化为具体代码的逻辑能力。所谓“蛇形填数”题目通常是这样描述的给定一个n x n的二维矩阵要求从矩阵的左上角通常是(0,0)位置开始按照“蛇形”或“螺旋”的路径依次填入从1到n*n的自然数。这个“蛇形”路径最常见的就是从外向内一层层顺时针旋转填充像一个漩涡也像一个盘旋的蛇。很多朋友第一次看到这个题目脑子里可能立刻会蹦出“模拟”两个字——没错最直观的想法就是模拟蛇的移动轨迹走到哪填到哪。但模拟也分三六九等有的模拟写得又臭又长边界条件一堆if-else有的模拟却能写得简洁优雅逻辑清晰。今天我就结合自己这些年面试别人和被面试的经验以及带团队时看到的常见代码来聊聊这个问题的三种典型解法。这三种解法分别代表了三种不同的编程思维层次从最直接的“暴力模拟”到更结构化的“方向数组法”再到追求极致简洁的“按层填充法”。每一种方法背后都藏着对问题本质的不同理解。2. 解法一最朴素的“坐标模拟法”我们先从最符合人类直觉的解法开始。想象你手里拿着一支笔站在一个n x n格子的左上角你的任务就是从1开始写按照“右→下→左→上”的顺序一层层往里绕圈直到填满所有格子。这个过程的难点在于你怎么知道什么时候该转弯什么时候这一层已经走完了2.1 核心思路与边界控制最朴素的实现就是定义四个边界top顶部边界、bottom底部边界、left左边界、right右边界。初始时top 0,bottom n-1,left 0,right n-1。我们用一个变量num从1开始计数。填充过程是一个循环只要num还没超过n*n就继续。在每一轮循环中我们依次完成四个动作从左到右填充顶部一行top行从left列到right列。填完后这一行已经完成顶部边界top需要向下移动一行top。从上到下填充最右一列right列从top行到bottom行。填完后这一列完成右边界right向左移动一列right--。从右到左填充底部一行bottom行从right列到left列。填完后这一行完成底部边界bottom向上移动一行bottom--。从下到上填充最左一列left列从bottom行到top行。填完后这一列完成左边界left向右移动一列left。这个过程听起来很清晰但新手最容易栽在两个坑里坑一循环条件判断。在完成步骤1和步骤2后矩阵的“外圈”可能已经填完。此时top可能已经大于bottom或者left大于right。如果还机械地执行步骤3和步骤4就会导致重复填充甚至数组越界。因此必须在执行步骤3和步骤4之前检查当前是否还有“行”或“列”需要填充。这是边界控制的核心。坑二奇数n的中心点。当n为奇数时最后会剩下中心的一个格子。按照上述四步流程在填充完“从左到右”的顶部行后top会导致top bottom循环条件可能提前终止导致中心点未被赋值。或者在最后一步“从下到上”时因为left和right已经相等循环无法进入。这需要我们在循环结束后或者在循环条件上做特殊处理。2.2 代码实现与逐行解析下面是一个用Python实现的、处理了上述边界问题的“坐标模拟法”def generateMatrix_simulation(n): 使用边界模拟法生成蛇形矩阵 :param n: 矩阵维度 :return: n x n 的蛇形矩阵 # 初始化一个 n x n 的矩阵所有元素为0 matrix [[0] * n for _ in range(n)] # 定义四个边界 top, bottom 0, n - 1 left, right 0, n - 1 num 1 # 当前要填入的数字 target n * n # 目标数字 while num target: # 1. 从左到右填充顶部行 for col in range(left, right 1): matrix[top][col] num num 1 top 1 # 顶部边界下移 # 2. 从上到下填充最右列 for row in range(top, bottom 1): matrix[row][right] num num 1 right - 1 # 右边界左移 # 3. 从右到左填充底部行 (注意需要判断是否还有行可填) if top bottom: for col in range(right, left - 1, -1): # 逆序循环 matrix[bottom][col] num num 1 bottom - 1 # 底部边界上移 # 4. 从下到上填充最左列 (注意需要判断是否还有列可填) if left right: for row in range(bottom, top - 1, -1): # 逆序循环 matrix[row][left] num num 1 left 1 # 左边界右移 return matrix关键点解析while num target这是主循环条件确保填满所有数字。用num控制比用topbottom and leftright更安全能直接处理奇数n的中心点问题。两个if判断if top bottom和if left right。这是本解法的精髓。在完成第一步和第二步后矩阵可能已经被“压缩”成一条竖线或横线甚至一个点。这两个判断确保了只有在还有“空间”时才执行第三步和第四步的填充完美避免了重复和越界。range的灵活使用注意第三步和第四步的range是逆序的range(start, end-1, -1)这是实现“从右到左”和“从下到上”的关键。注意有些写法会把循环条件设为while left right and top bottom然后在循环结束后单独判断并填充中心点。两种方式都可行但我个人更喜欢用num控制逻辑上更贴近“填数”这个任务本身不易遗漏。2.3 方法评价与适用场景优点直观易懂完全模拟了人的填数过程逻辑链条清晰非常适合向初学者讲解。边界明确四个边界变量清晰地定义了当前可操作区域概念清晰。缺点代码稍显冗长需要写四个循环并且每个循环后都要更新边界。容易出错边界更新的时机在循环内还是循环后和两个关键的if判断是新手最容易忘记或弄错的地方。适用场景算法教学、面试中快速展现基础编程能力、对代码可读性要求较高的初期实现。它是一切优化解法的基础。3. 解法二更优雅的“方向数组法”如果你觉得第一种方法里控制四个方向太麻烦总是担心if判断写错那么“方向数组法”可能会让你眼前一亮。这种方法的思路是将“右、下、左、上”这四个移动方向抽象出来用数据驱动代替流程控制。3.1 用数据定义移动规则我们定义两个核心数组dx [0, 1, 0, -1]# 行方向的变化量dy [1, 0, -1, 0]# 列方向的变化量数组下标0, 1, 2, 3分别代表“右、下、左、上”四个方向。例如当前方向索引dir_index 0向右那么下一步的坐标就是(x dx[0], y dy[0])即(x, y1)。那么什么时候该转弯改变dir_index呢规则很简单当下一步会走出矩阵边界或者下一步要到达的格子已经被填充过值不为0时就需要顺时针转向到下一个方向。3.2 算法流程与实现细节整个算法可以概括为以下几步初始化一个n x n的全零矩阵初始化坐标(x, y) (0, 0)初始化方向索引dir_index 0向右。从1到n*n循环 a. 将当前数字填入matrix[x][y]。 b.计算下一步的坐标(next_x, next_y)。 c.判断是否需要转向如果next_x或next_y越界0或n或者matrix[next_x][next_y]已经被填充值不为0则说明当前方向走到头了。 d. 如果需要转向则更新方向索引dir_index (dir_index 1) % 4。这个取模操作让方向在0-1-2-3-0之间循环。 e.根据新的或保持的方向计算下一步的正确坐标。注意这里是根据更新后的dir_index重新计算next_x, next_y或者更常见的做法是直接根据新的方向更新x, y坐标。为了清晰我们采用后者在确定方向后直接x dx[dir_index]; y dy[dir_index]。def generateMatrix_direction(n): 使用方向数组法生成蛇形矩阵 matrix [[0] * n for _ in range(n)] # 方向向量右(0,1), 下(1,0), 左(0,-1), 上(-1,0) dx [0, 1, 0, -1] dy [1, 0, -1, 0] x, y 0, 0 # 当前位置 dir_index 0 # 当前方向索引0代表右 num 1 while num n * n: # 1. 填充当前位置 matrix[x][y] num num 1 # 2. 计算下一步的“试探”位置 next_x x dx[dir_index] next_y y dy[dir_index] # 3. 判断是否需要转向 # 条件越界 或 该位置已被访问过值不为0 if next_x 0 or next_x n or next_y 0 or next_y n or matrix[next_x][next_y] ! 0: # 顺时针转向 dir_index (dir_index 1) % 4 # 转向后重新计算下一步坐标 next_x x dx[dir_index] next_y y dy[dir_index] # 4. 移动到下一个位置 x, y next_x, next_y return matrix3.3 为什么这种方法更优雅消除冗余判断在模拟法中我们需要时刻惦记着top, bottom, left, right四个边界并在四个独立的循环后更新它们。在方向数组中边界判断被统一为“是否越界”和“是否已访问”这两个通用条件逻辑更集中。方向变化成为算术问题转向操作从复杂的边界条件判断简化成了一个简单的dir_index (dir_index 1) % 4。这使得代码更容易理解和修改。比如如果想改成逆时针旋转只需要改变方向数组的顺序和转向逻辑即可。易于扩展到其他路径这种“试探-转向”的模式具有很强的通用性。它不仅可以用于螺旋矩阵稍加修改就能用于解决“迷宫搜索”、“棋盘上的马走日”等问题是深度优先搜索DFS和广度优先搜索BFS中处理方向遍历的常用技巧。提示这里有一个常见的优化点。在判断“是否已访问”时我们依赖的是matrix[next_x][next_y] ! 0。这意味着我们必须先初始化矩阵为0。在某些语言或场景下可以单独使用一个等大的布尔型visited数组来记录访问状态这样判断逻辑更清晰且不依赖初始值。3.4 方法评价与思维提升优点代码简洁统一主循环体结构简单只有一个大的while循环方向控制被抽象成数据。逻辑清晰“直走-碰壁-转向”的模型非常符合直觉不易出错。扩展性强是解决一类“网格遍历”问题的模板方法。缺点存在冗余计算每次循环都需要计算一次“试探位置”并在转向后可能再计算一次。对于极大的n这比模拟法多了近一倍的坐标计算。但在实际面试或竞赛中这点开销通常可以忽略不计。可读性略有争议对于完全不熟悉这种范式的人来说理解dx, dy数组和取模转向需要一点时间。适用场景追求代码简洁和优雅的场合以及当你预见到问题可能需要变化比如改变旋转方向、填充规则时。它体现了“将控制逻辑转化为数据”的抽象思维是程序员进阶的体现。4. 解法三最数学的“按层填充法”前两种方法都是“动态”的一步步走出来的。第三种方法则是“静态”的它直接从数学关系上计算出每个坐标(i, j)上应该填什么数字。这种方法理解起来有一定难度但一旦掌握代码可以极其简短且不涉及任何循环内的条件判断。4.1 将矩阵视为一层层的“正方形环”对于一个n x n的矩阵我们可以把它想象成由若干个同心正方形环套在一起。最外层是第0层往里依次是第1层、第2层...对于一个坐标(i, j)它位于哪一层呢公式是layer min(i, j, n-1-i, n-1-j)。这个layer表示该坐标到四条边的最短距离也就是它所在的环的索引从0开始。例如在一个5x5的矩阵中(0,0)、(0,4)、(4,0)、(4,4)这四个角点min(0,0,4,4)0属于第0层最外层。(1,1)这个点min(1,1,3,3)1属于第1层。4.2 推导层内偏移公式确定层数k后我们接下来要计算在这个环上(i, j)是第几个位置。每个环的周长是4 * (n - 2*k - 1)不更准确地说最外层环的边长是n但四个角点被重复计算了。实际上第k层环的边长是side_len n - 2*k。这一层环上的总格子数是4 * (side_len - 1)。现在我们看(i, j)在这个环的哪条边上在上边如果i k行索引等于层数那么它在环的顶部边上。在这一边上它的偏移量从该边起点开始的序号就是j - k。在右边如果j n-1-k列索引等于n-1-层数那么它在环的右边。此时它已经走完了顶部整条边长度为side_len - 1加上在右边向下的偏移i - k。在下边如果i n-1-k那么它在环的底部。此时它已经走完了顶部和右边总长度为2*(side_len - 1)加上在底部从右向左的偏移(n-1-k) - j。在左边如果j k那么它在环的左边。此时它已经走完了顶部、右边和底部总长度为3*(side_len - 1)加上在左边从下向上的偏移(n-1-k) - i。有了层数k和该点在当前层的偏移量offset那么该点在整个填充序列中的序号从0开始就是start_num_of_layer offset。 其中start_num_of_layer是这一层开始填充的第一个数字的序号从0开始。第k层之前的所有层总共包含了多少格子呢这是一个等差数列求和。第k层之前有k层第m层从0开始的边长是n - 2*m其格子数是4 * (n - 2*m - 1)。因此start_num_of_layer sum_{m0}^{k-1} [4 * (n - 2*m - 1)]。这个求和公式可以简化。4.3 简化公式与最终实现经过推导过程略本质是等差数列求和我们可以得到一个更直接的公式。对于坐标(i, j)计算层数k min(i, j, n-1-i, n-1-j)。计算该层边长side n - 2*k。计算该层起始数字start 4*k*(n-k) 1。这是关键公式表示第k层从0开始的第一个数字是多少从1开始计数。判断所在边并计算偏移在上边 (i k):num start (j - k)在右边 (j n-1-k):num start (side - 1) (i - k)在下边 (i n-1-k):num start 2*(side - 1) ((n-1-k) - j)// 注意从右往左在左边 (j k):num start 3*(side - 1) ((n-1-k) - i)// 注意从下往上最终matrix[i][j] num。def generateMatrix_math(n): 使用数学公式法按层计算生成蛇形矩阵 matrix [[0] * n for _ in range(n)] for i in range(n): for j in range(n): # 1. 确定当前坐标所在的层 k k min(i, j, n-1-i, n-1-j) # 2. 计算当前层的边长 side n - 2*k # 3. 计算当前层起始数字 (从1开始) # 公式推导前k层总格子数 4*k*n - 4*k*k # 第k层起始数字 前k层总格子数 1 start 4 * k * (n - k) 1 # 4. 判断在哪条边上并计算偏移 if i k: # 在上边 num start (j - k) elif j n - 1 - k: # 在右边 num start (side - 1) (i - k) elif i n - 1 - k: # 在下边 num start 2 * (side - 1) ((n - 1 - k) - j) else: # 在左边 (j k) num start 3 * (side - 1) ((n - 1 - k) - i) matrix[i][j] num return matrix4.4 方法评价与思维飞跃优点无需模拟直接计算每个格子填什么数字由它的坐标(i, j)直接决定时间复杂度稳定是 O(n²)且循环内部没有条件分支除了最后的判断边理论上有更好的缓存友好性但实际对于现代CPU的预测差别不大。代码极具数学美感对于喜欢数学和逻辑推导的人来说这种解法非常优雅体现了将问题抽象为数学公式的能力。易于并行化由于每个格子(i, j)的计算是独立的不依赖于前一个格子的状态因此理论上可以并行计算所有格子这在某些高性能计算场景下是巨大优势。缺点理解成本高公式推导过程复杂不直观。在面试紧张的环境下很难现场推导并写对。容易出错计算层内偏移时上下左右边的偏移方向容易搞反导致数字错位。可读性差对于维护代码的同事来说看到这一串公式和条件判断可能需要花不少时间才能理解其意图。适用场景学术讨论、追求极致性能或并行化的特殊场景、体现算法数学深度的场合。它更像一个“炫技”的解法展示了程序员将过程性问题转化为静态数学关系的能力。5. 三种解法的对比与实战选择讲完了三种方法我们来做个总结。这三种方法没有绝对的好坏只有适合与不适合。特性坐标模拟法 (解法一)方向数组法 (解法二)按层填充法 (解法三)核心思想模拟行走过程维护四个边界数据驱动方向试探性前进数学推导直接计算坐标与数字的映射代码长度较长中等中等但公式部分复杂可读性高流程清晰中需要理解方向数组范式低公式晦涩易错点边界更新与条件判断转向条件判断层与偏移公式推导性能O(n²)良好O(n²)有少量冗余计算O(n²)计算稍多但稳定扩展性一般改动方向麻烦强改变方向数组即可弱公式与路径强相关推荐场景面试首选、教学追求代码简洁、通用遍历理论研究、并行计算给新手的实战建议面试场景毫不犹豫选择“坐标模拟法”或“方向数组法”。面试官考察的是你的编程基本功和逻辑清晰度而不是炫技。我推荐“坐标模拟法”因为它最直观边写边解释思路非常顺畅。只要把top, bottom, left, right四个变量和那两个关键的if判断讲清楚基本就能过关。如果面试官表现出对简洁代码的偏好你可以再提一句“也可以用方向数组来简化代码逻辑”。竞赛或笔试如果时间充裕写“方向数组法”。它代码短不易出错且为后续可能的修改留有余地。个人学习强烈建议三种方法都亲手实现一遍。实现“坐标模拟法”能夯实你的循环和边界控制基础实现“方向数组法”能让你学会一种强大的遍历模板尝试推导“按层填充法”则能极大锻炼你的数学抽象和问题分析能力。这个过程本身就是一次思维的升级。工程实践在真实的业务代码中如果遇到类似需求比如生成一个螺旋布局的UI数据我通常会选择“方向数组法”。因为它代码清晰同事容易看懂而且万一产品经理说要改成逆时针螺旋我只需要改一下dx, dy数组的顺序就行了维护成本最低。最后分享一个我自己的踩坑经验早期我用“坐标模拟法”时曾经忘记在第三步和第四步前加if判断导致在填充最后一行或一列时数组越界。调试了半天才发现问题。所以写完代码后一定要用n1,n2,n3这样的小规模测试用例跑一遍特别是奇数和偶数都要测这是检查边界条件最有效的方法。算法题的很多bug都藏在那些不起眼的边界情况里。