指数计算中常用加权平均（如加权算术平均），请设计一个高效算法计算加权平均，并分析时间复杂度和空间复杂度，说明如何优化（如分治、并行计算）。

1) 【一句话结论】：采用分治策略递归分解数据，通过合并子问题的加权平均结果计算整体加权平均，时间复杂度优化至O(n log n)，空间复杂度O(log n)，且支持并行计算加速。

2) 【原理/概念讲解】：加权算术平均的核心公式为 ( \frac{\sum (x_i \cdot w_i)}{\sum w_i} )（(x_i) 为数值，(w_i) 为权重）。直接遍历计算需O(n)时间，但大规模数据可通过分治优化：将数据拆分为左右子数组，分别递归计算子问题的加权平均，再合并结果。类比：计算一大袋水果的加权平均（按重量），可将袋子分成两半，分别称重计算每半的“重量-数值比”，再合并（加权平均是两半的加权平均的加权平均，即加权平均的加权平均）。分治的核心是减少重复计算，将大问题拆解为独立子问题，递归求解后合并。

3) 【对比与适用场景】：

方法	定义	特性	时间复杂度	空间复杂度	适用场景
直接遍历	逐个元素计算 (x_i \cdot w_i) 累加后除以权重和	简单，无额外分解	O(n)	O(1)	数据量小，无并行需求
分治算法	递归拆分数组，分别计算子加权平均，合并结果	递归分解，减少计算量	O(n log n)	O(log n)（递归栈）	大规模数据，需优化计算
并行计算	多线程/多进程分别计算子加权平均，再合并	并行处理，加速计算	O(n)（理想并行）	O(1)（线程间通信）	高性能计算环境，多核CPU

4) 【示例】（伪代码）：

def weighted_average(a, w):
    if len(a) == 1:
        return a[0] * w[0] / sum(w)
    mid = len(a) // 2
    left_avg = weighted_average(a[:mid], w[:mid])
    right_avg = weighted_average(a[mid:], w[mid:])
    left_sum = sum(w[:mid])
    right_sum = sum(w[mid:])
    return (left_avg * left_sum + right_avg * right_sum) / (left_sum + right_sum)

# 示例：a=[10,20,30], w=[1,2,3]
# 左子数组[10,20], w=[1,2] → 加权平均=(10*1+20*2)/(1+2)=50/3≈16.67；右子数组[30], w=[3] → 30*3/3=30；合并：(16.67*3+30*3)/(3+3)=140/6≈23.33

5) 【面试口播版答案】：
面试官您好，加权平均的计算公式是各数值乘以权重求和后除以权重总和。直接遍历计算需要O(n)时间，对于大规模数据（比如百万级），我们可以用分治算法优化。具体来说，将数据分成左右两部分，分别递归计算子问题的加权平均，然后合并结果。比如，假设数组长度为n，递归分解后，每个子问题的计算时间是O(n/2)，递归深度为log n，总时间复杂度是O(n log n)。空间复杂度是O(log n)因为递归栈。此外，分治算法天然支持并行计算，比如将左右子数组分配给不同线程处理，最后合并结果，这样在多核CPU上能显著加速。总结来说，分治结合并行是高效计算加权平均的方案，时间复杂度O(n log n)，空间O(log n)，适用于大数据量场景。

6) 【追问清单】：

• 问：并行计算时如何处理数据划分不均？答：采用动态负载均衡，根据子数组大小分配任务，或预先计算子数组大小再分配。
• 问：权重和为0（所有权重为0）时算法如何处理？答：先检查权重和是否为0，若为0则返回0或抛出异常，避免除以0。
• 问：分治合并步骤是否正确？答：合并时需用子问题的权重和作为权重，计算加权平均的加权平均，即 ((左加权平均×左权重和 + 右加权平均×右权重和)/(左权重和+右权重和))，这是正确的加权平均合并方式。
• 问：空间复杂度是否可优化到O(1)？答：可用迭代代替递归，通过栈实现，但递归更简洁，空间仍为O(log n)，迭代可优化至O(1)。
• 问：分治与动态规划的区别？答：分治分解独立子问题，动态规划子问题有重叠，加权平均子问题无重叠，故分治更合适。

7) 【常见坑/雷区】：

• 忽略权重和为0，导致除以0错误。
• 合并时错误计算为算术平均（直接相加数值而非加权求和）。
• 时间复杂度分析误判为O(n²)。
• 并行计算未考虑线程同步或数据竞争。
• 空间复杂度遗漏递归栈，误认为O(1)。