利用JS实现一个同Excel表现的智能填充算法

前言

本文介绍了关于利用js实现同excel表现的智能填充算法的相关内容，分享出供大家参考学习，下面话不多说了，来一起看看详细的介绍吧

在使用excel的时候，发现它的“智能填充”功能非常有趣，能够智能地分析我当前的内容，然后准确预测出我期望得到的值。排除了ai的加成，发现这个功能其实也可以通过数学理论和简单代码来实现。经过一番折腾，终于用js实现了大致的功能，然后我把它名为smart-predictor。

项目地址：...（）

什么是“智能填充”？

首先我们来看两张gif图：

是不是很神奇？假设我有一组给定的数据[1, 3, 'aaa1', 'bbb2'] ，excel的智能填充能够给我返回[5, 7, 'aaa2', 'bbb3', 9, 11 'aaa3', 'bbb4']这一组数据。

更厉害的是，智能填充不是简单地对数据进行递增，而是会对数据进行分组，每个分组按照自己的规则去进行递增，就比如说我们可以从[1, 2, 'x', 3]得到[3, 4, 'x', 4] 。

在明白这些结论之后，我们就可以去讨论它到底是怎么实现的。

separator

我们用数组[1, 2, 'a1c', 'a2c']作为例子。当我们拿到这样一个数组的时候，第一步是要对其进行分析，分析数组内每个元素到底是一个数字，一段字符串，还是别的什么东西。分析完了，就要给他们都标注更详细的信息，然后把这些信息都组合起来。

比如数组元素1，可以被处理成下面这个样子：

{
 realvalue: 1,
 numericvalue: 1,
 splitparts: 'number',
 index: 0
}

而数组元素a1c，则可以处理成这样：

{
 realvalue: 'a1c',
 numericvalue: 1,
 splitparts: ['a', 'c'],
 index: 2
}

代码请戳：

可以注意到，我会提取每一个元素的纯数字部分出来，然后把其余部分通过一个数组储存起来。这一切就是separator所做的工作，我们最终会得到一个富含信息的新数组，然后继续我们的工作吧！

classifier

智能填充的最小单位是“组”。当我们通过上一步得到一个富含信息的新数组之后，接下来就应该对它们进行合理的分组。分组的动作包含了两个细节：

• 同一组的数据应该拥有一致的“类型”，这里我们使用splitparts属性去实现。
• 同一组的数据应该是连续的，否则的话就要把不连续的数据扔到一个新的组去。

假设有一个数组[1, 2, 'a1c', 'a2c', 6, 8]，元素1和2就应该被分配到名为number的组去，a1c和a2c则会被分配到名为ac的组里面，而6和8则会被另外分配到名为number1的新组里面去，最后结果如下：

{
 'number': [{
 realvalue: '1',
 ...
 }, {
 realvalue: '2',
 ...
 }],
 'ac': [{
 realvalue: 'a1c',
 ...
 }, {
 realvalue: 'a2c',
 ...
 }],
 'number1': [{
 realvalue: '6',
 ...
 }, {
 realvalue: '8',
 ...
 }]
}

代码请戳：

通过上述步骤，我们成功把数据进行分组，组与组之间的元素并不会相互干扰。接下来我们需要实现一个专门做“线性回归”的方法，有了这个方法我们才能对数据进行“预测”。

linear regression

“线性回归”是一个数学理论，详情请自己google之，这里我直接使用线性回归的二元一次公式去求得回归直线的斜率：

y = ax + b

a = ∑(x−x')(y−y') / ∑(x−x')(x−x')

其中x'是所有点x坐标的平均数，同样的，y'是所有点y坐标的平均数。

代码请戳：linearregression.js

通过这条公式，我们可以轻易得到数组[1, 3]的斜率和偏移量为{ a: 2, b:1 }，然后就可以知道以后的数据走向将会是[5, 7, 9, ...]。

这就是整一个“智能填充”的核心原理，接下来我们就可以依靠这个原理去实现数据的预测了。

predictor

借助线性回归的力量，我们可以通过设置预测的次数，挨个挨个地对每一个分组数据进行预测，然后再把它们组合到一起形成一个新的结果数组。

以上文classifier中的分组数据为例，对它预测一次，结果如下：

{
 '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
 ...
 }]
}

代码请戳：

由于我们知道每一个数据的下标，所以我们可以简单又准确地把它们放到正确的位置去，最后输出如下：

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

接下来我们可以来看看测试用例对比excel表现：

more

当前的smart-predictor仍然不够“smart”，它只能预测自然数字，或者自然数字与字符串的结合，但仍然不支持对日期格式，字母列表等数据的预测。如果各位读者有兴趣，也非常欢迎大家来贡献脑洞，让smart-predicotr变得更加智能。

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对的支持。