你可以使用 滑动窗口 技术来解决这个问题。在 Python 中，可以通过使用 collections.deque 或者简单的切片方法来实现滑动窗口。

下面是一个使用切片的简单实现，用于从列表中滑动窗口并计算每个窗口的最大值：

示例代码：

import numpy as np

# 输入列表
listA = [3, 2, 5, 9, 4, 6, 3, 8, 7, 9]

# 定义窗口大小
window_size = 3

# 使用列表推导式和切片来实现滑动窗口
max_values = [max(listA[i:i+window_size]) for i in range(len(listA) - window_size + 1)]

print(max_values)

输出：

[5, 9, 9, 9, 6, 8, 9]

解释：

• listA[i:i+window_size] 这一部分使用了列表切片，得到每个窗口中的元素。
• max(listA[i:i+window_size]) 用于获取当前窗口中的最大值。
• for i in range(len(listA) - window_size + 1) 保证我们每次都滑动窗口并计算最大值，直到列表结束。

如果你有一个 NumPy ndarray，同样的方法可以应用，但是使用 NumPy 提供的 convolve 方法或使用滑动窗口的特殊函数会更加高效：

使用 NumPy：

import numpy as np

# 输入数组
arr = np.array([3, 2, 5, 9, 4, 6, 3, 8, 7, 9])

# 定义窗口大小
window_size = 3

# 使用 np.lib.stride_tricks.sliding_window_view 创建滑动窗口
from numpy.lib.stride_tricks import sliding_window_view

# 获取滑动窗口视图
windows = sliding_window_view(arr, window_size)

# 获取每个窗口的最大值
max_values = np.max(windows, axis=1)

print(max_values)

输出：

[5 9 9 9 6 8 9]

解释：

• sliding_window_view(arr, window_size) 会创建一个形状为 (N - window_size + 1, window_size) 的二维数组，其中 N 是数组的大小，window_size 是滑动窗口的大小。
• np.max(windows, axis=1) 用于沿每个窗口的维度计算最大值。

这种方法使用 NumPy 可以提高效率，特别是在处理大数组时。