前言

本文介紹了關(guān)于利用JS實現(xiàn)同Excel表現(xiàn)的智能填充算法的相關(guān)內(nèi)容，分享出供大家參考學(xué)習(xí)，下面話不多說了，來一起看看詳細的介紹吧

在使用Excel的時候，發(fā)現(xiàn)它的“智能填充”功能非常有趣，能夠智能地分析我當(dāng)前的內(nèi)容，然后準(zhǔn)確預(yù)測出我期望得到的值。排除了AI的加成，發(fā)現(xiàn)這個功能其實也可以通過數(shù)學(xué)理論和簡單代碼來實現(xiàn)。經(jīng)過一番折騰，終于用JS實現(xiàn)了大致的功能，然后我把它名為smart-predictor。

項目地址：https://github.com/jrainlau/s...（本地下載）

什么是“智能填充”？

首先我們來看兩張gif圖：

是不是很神奇？假設(shè)我有一組給定的數(shù)據(jù)[1, 3, 'aaa1', 'bbb2'] ，Excel的智能填充能夠給我返回[5, 7, 'aaa2', 'bbb3', 9, 11 'aaa3', 'bbb4']這一組數(shù)據(jù)。

更厲害的是，智能填充不是簡單地對數(shù)據(jù)進行遞增，而是會對數(shù)據(jù)進行分組，每個分組按照自己的規(guī)則去進行遞增，就比如說我們可以從[1, 2, 'x', 3]得到[3, 4, 'x', 4] 。

在明白這些結(jié)論之后，我們就可以去討論它到底是怎么實現(xiàn)的。

Separator

我們用數(shù)組[1, 2, 'a1c', 'a2c']作為例子。當(dāng)我們拿到這樣一個數(shù)組的時候，第一步是要對其進行分析，分析數(shù)組內(nèi)每個元素到底是一個數(shù)字，一段字符串，還是別的什么東西。分析完了，就要給他們都標(biāo)注更詳細的信息，然后把這些信息都組合起來。

比如數(shù)組元素1，可以被處理成下面這個樣子：

{
 realValue: 1,
 numericValue: 1,
 splitParts: 'Number',
 index: 0
}

而數(shù)組元素a1c，則可以處理成這樣：

{
 realValue: 'a1c',
 numericValue: 1,
 splitParts: ['a', 'c'],
 index: 2
}

代碼請戳：separator.js

可以注意到，我會提取每一個元素的純數(shù)字部分出來，然后把其余部分通過一個數(shù)組儲存起來。這一切就是Separator所做的工作，我們最終會得到一個富含信息的新數(shù)組，然后繼續(xù)我們的工作吧！

Classifier

智能填充的最小單位是“組”。當(dāng)我們通過上一步得到一個富含信息的新數(shù)組之后，接下來就應(yīng)該對它們進行合理的分組。分組的動作包含了兩個細節(jié)：

• 同一組的數(shù)據(jù)應(yīng)該擁有一致的“類型”，這里我們使用splitParts屬性去實現(xiàn)。
• 同一組的數(shù)據(jù)應(yīng)該是連續(xù)的，否則的話就要把不連續(xù)的數(shù)據(jù)扔到一個新的組去。

假設(shè)有一個數(shù)組[1, 2, 'a1c', 'a2c', 6, 8]，元素1和2就應(yīng)該被分配到名為Number的組去，a1c和a2c則會被分配到名為ac的組里面，而6和8則會被另外分配到名為Number1的新組里面去，最后結(jié)果如下：

{
 'Number': [{
 realValue: '1',
 ...
 }, {
 realValue: '2',
 ...
 }],
 'ac': [{
 realValue: 'a1c',
 ...
 }, {
 realValue: 'a2c',
 ...
 }],
 'Number1': [{
 realValue: '6',
 ...
 }, {
 realValue: '8',
 ...
 }]
}

代碼請戳：classifier.js

通過上述步驟，我們成功把數(shù)據(jù)進行分組，組與組之間的元素并不會相互干擾。接下來我們需要實現(xiàn)一個專門做“線性回歸”的方法，有了這個方法我們才能對數(shù)據(jù)進行“預(yù)測”。

Linear regression

“線性回歸”是一個數(shù)學(xué)理論，詳情請自己google之，這里我直接使用線性回歸的二元一次公式去求得回歸直線的斜率：

y = ax + b

a = ∑(x−x')(y−y') / ∑(x−x')(x−x')

其中x'是所有點x坐標(biāo)的平均數(shù)，同樣的，y'是所有點y坐標(biāo)的平均數(shù)。

代碼請戳：linearRegression.js

通過這條公式，我們可以輕易得到數(shù)組[1, 3]的斜率和偏移量為{ a: 2, b:1 }，然后就可以知道以后的數(shù)據(jù)走向?qū)荹5, 7, 9, ...]。

這就是整一個“智能填充”的核心原理，接下來我們就可以依靠這個原理去實現(xiàn)數(shù)據(jù)的預(yù)測了。

Predictor

借助線性回歸的力量，我們可以通過設(shè)置預(yù)測的次數(shù)，挨個挨個地對每一個分組數(shù)據(jù)進行預(yù)測，然后再把它們組合到一起形成一個新的結(jié)果數(shù)組。

以上文Classifier中的分組數(shù)據(jù)為例，對它預(yù)測一次，結(jié)果如下：

{
 'Number': [{
 realValue: '1',
 index: 0,
 ...
 }, {
 realValue: '2',
 index: 1,
 ...
 }, {
 realValue: '3',
 index: 6,
 ...
 }, {
 realValue: '4',
 index: 7,
 ...
 }],
 'ac': [{
 realValue: 'a1c',
 index: 2,
 ...
 }, {
 realValue: 'a2c',
 index: 3,
 ...
 }, {
 realValue: 'a3c',
 index: 8,
 ...
 }, {
 realValue: 'a4c',
 index: 9,
 ...
 }],
 'Number1': [{
 realValue: '6',
 index: 4,
 ...
 }, {
 realValue: '8',
 index: 5
 ...
 }, {
 realValue: '10',
 index: 10,
 ...
 }, {
 realValue: '12',
 index: 11
 ...
 }]
}

代碼請戳：predictor.js

由于我們知道每一個數(shù)據(jù)的下標(biāo)，所以我們可以簡單又準(zhǔn)確地把它們放到正確的位置去，最后輸出如下：

[1, 2, 'a1c', 'a2c', 6, 8, 3, 4, 'a3c', 'a4c', 10, 12]

接下來我們可以來看看測試用例對比Excel表現(xiàn)：

More

當(dāng)前的smart-predictor仍然不夠“smart”，它只能預(yù)測自然數(shù)字，或者自然數(shù)字與字符串的結(jié)合，但仍然不支持對日期格式，字母列表等數(shù)據(jù)的預(yù)測。如果各位讀者有興趣，也非常歡迎大家來貢獻腦洞，讓smart-predicotr變得更加智能。

總結(jié)

以上就是這篇文章的全部內(nèi)容了，希望本文的內(nèi)容對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值，如果有疑問大家可以留言交流，謝謝大家對腳本之家的支持。

最新評論