feat: 优化波形渲染性能与交互

src/utils/sampling.ts

@@ -0,0 +1,229 @@
+/**
+ * 数据抽样算法
+ * 用于在保持视觉保真度的同时减少渲染点数
+ */
+
+import type { WaveformPoint } from '../types'
+
+/**
+ * Largest Triangle Three Buckets (LTTB) 抽样算法
+ *
+ * 这是一种高效的降采样算法，能够在减少数据点的同时保持波形的视觉特征。
+ * 算法通过计算三角形面积来选择最具代表性的点。
+ *
+ * 参考文献: Sveinn Steinarsson. 2013.
+ * "Downsampling Time Series for Visual Representation"
+ *
+ * @param data 原始数据点数组
+ * @param threshold 目标点数（必须 >= 3）
+ * @returns 抽样后的数据点数组
+ *
+ * @example
+ * const original = Array.from({ length: 10000 }, (_, i) => ({ x: i, y: Math.sin(i / 100) }))
+ * const sampled = downsampleLTTB(original, 500) // 从 10000 点降至 500 点
+ */
+export function downsampleLTTB(data: WaveformPoint[], threshold: number): WaveformPoint[] {
+  // 边界检查
+  if (!Array.isArray(data) || data.length === 0) {
+    return []
+  }
+
+  const dataLength = data.length
+
+  // 如果数据点数少于或等于阈值，直接返回
+  if (threshold >= dataLength || threshold <= 2) {
+    return data
+  }
+
+  // 确保阈值至少为 3
+  const sampledLength = Math.max(3, Math.floor(threshold))
+  const sampled: WaveformPoint[] = new Array(sampledLength)
+
+  // 始终保留第一个和最后一个点
+  sampled[0] = data[0]!
+  sampled[sampledLength - 1] = data[dataLength - 1]!
+
+  // 计算每个桶的大小（除了第一个和最后一个点）
+  const bucketSize = (dataLength - 2) / (sampledLength - 2)
+
+  // 用于计算三角形面积的辅助变量
+  let sampledIndex = 1
+
+  for (let i = 0; i < sampledLength - 2; i++) {
+    // 当前桶的范围
+    const avgRangeStart = Math.floor((i + 1) * bucketSize) + 1
+    const avgRangeEnd = Math.floor((i + 2) * bucketSize) + 1
+    const avgRangeLength = Math.min(avgRangeEnd, dataLength) - avgRangeStart
+
+    // 计算下一个桶的平均点（用于三角形计算）
+    let avgX = 0
+    let avgY = 0
+
+    for (let j = avgRangeStart; j < Math.min(avgRangeEnd, dataLength); j++) {
+      const point = data[j]!
+      avgX += point.x
+      avgY += point.y
+    }
+
+    if (avgRangeLength > 0) {
+      avgX /= avgRangeLength
+      avgY /= avgRangeLength
+    }
+
+    // 当前桶的范围
+    const rangeStart = Math.floor(i * bucketSize) + 1
+    const rangeEnd = Math.floor((i + 1) * bucketSize) + 1
+
+    // 上一个选中的点
+    const prevPoint = sampled[sampledIndex - 1]!
+
+    // 在当前桶中找到形成最大三角形面积的点
+    let maxArea = -1
+    let maxAreaIndex = rangeStart
+
+    for (let j = rangeStart; j < Math.min(rangeEnd, dataLength); j++) {
+      const point = data[j]!
+
+      // 计算三角形面积（使用叉积公式的绝对值）
+      // Area = |((x1 - x3)(y2 - y1) - (x1 - x2)(y3 - y1))| / 2
+      // 为了性能，我们省略除以2，因为只需要比较相对大小
+      const area = Math.abs(
+        (prevPoint.x - avgX) * (point.y - prevPoint.y) -
+          (prevPoint.x - point.x) * (avgY - prevPoint.y),
+      )
+
+      if (area > maxArea) {
+        maxArea = area
+        maxAreaIndex = j
+      }
+    }
+
+    // 选择形成最大面积的点
+    sampled[sampledIndex] = data[maxAreaIndex]!
+    sampledIndex++
+  }
+
+  return sampled
+}
+
+/**
+ * 最小-最大抽样算法
+ *
+ * 这是一种简单但有效的抽样方法，将数据分成桶，每个桶选择最小值和最大值。
+ * 适合展示数据的整体范围和波动，但可能会丢失一些细节特征。
+ *
+ * @param data 原始数据点数组
+ * @param threshold 目标点数（必须 >= 2，最终点数可能略多于阈值）
+ * @returns 抽样后的数据点数组
+ *
+ * @example
+ * const original = Array.from({ length: 10000 }, (_, i) => ({ x: i, y: Math.sin(i / 100) }))
+ * const sampled = downsampleMinMax(original, 500)
+ */
+export function downsampleMinMax(data: WaveformPoint[], threshold: number): WaveformPoint[] {
+  if (!Array.isArray(data) || data.length === 0) {
+    return []
+  }
+
+  const dataLength = data.length
+
+  // 如果数据点数少于阈值，直接返回
+  if (threshold >= dataLength || threshold <= 1) {
+    return data
+  }
+
+  const sampled: WaveformPoint[] = []
+
+  // 计算每个桶的大小
+  const bucketSize = Math.max(1, Math.floor(dataLength / Math.floor(threshold / 2)))
+
+  for (let i = 0; i < dataLength; i += bucketSize) {
+    const bucketEnd = Math.min(i + bucketSize, dataLength)
+    let minPoint = data[i]!
+    let maxPoint = data[i]!
+
+    // 在当前桶中找到最小和最大的Y值
+    for (let j = i + 1; j < bucketEnd; j++) {
+      const point = data[j]!
+      if (point.y < minPoint.y) {
+        minPoint = point
+      }
+      if (point.y > maxPoint.y) {
+        maxPoint = point
+      }
+    }
+
+    // 按X坐标顺序添加最小值和最大值
+    if (minPoint.x < maxPoint.x) {
+      sampled.push(minPoint)
+      if (minPoint !== maxPoint) {
+        sampled.push(maxPoint)
+      }
+    } else {
+      sampled.push(maxPoint)
+      if (minPoint !== maxPoint) {
+        sampled.push(minPoint)
+      }
+    }
+  }
+
+  return sampled
+}
+
+/**
+ * 自适应抽样策略
+ *
+ * 根据数据量自动选择最合适的抽样算法和阈值
+ *
+ * @param data 原始数据点数组
+ * @param maxPoints 最大显示点数（可选，默认为5000）
+ * @returns 抽样后的数据点数组和使用的算法信息
+ */
+export function adaptiveSampling(
+  data: WaveformPoint[],
+  maxPoints: number = 5000,
+): { points: WaveformPoint[]; algorithm: 'none' | 'lttb' | 'minmax'; originalCount: number } {
+  const dataLength = data.length
+
+  // 不需要抽样
+  if (dataLength <= maxPoints) {
+    return { points: data, algorithm: 'none', originalCount: dataLength }
+  }
+
+  // 根据数据量选择算法
+  // LTTB 适合保持波形形状，但对极大数据集可能较慢
+  // MinMax 适合快速预览大数据集的范围
+  if (dataLength > maxPoints * 10) {
+    // 超大数据集，使用更快的 MinMax
+    return {
+      points: downsampleMinMax(data, maxPoints),
+      algorithm: 'minmax',
+      originalCount: dataLength,
+    }
+  } else {
+    // 使用 LTTB 以获得更好的视觉质量
+    return {
+      points: downsampleLTTB(data, maxPoints),
+      algorithm: 'lttb',
+      originalCount: dataLength,
+    }
+  }
+}
+
+/**
+ * 计算推荐的抽样阈值
+ *
+ * 基于视口宽度和像素密度计算合理的抽样点数
+ *
+ * @param viewportWidth 视口宽度（像素）
+ * @param pixelRatio 设备像素比（默认为 window.devicePixelRatio 或 1）
+ * @param pointsPerPixel 每像素点数（默认为 2，意味着每像素最多2个数据点）
+ * @returns 推荐的抽样点数
+ */
+export function calculateSamplingThreshold(
+  viewportWidth: number,
+  pixelRatio: number = typeof window !== 'undefined' ? window.devicePixelRatio : 1,
+  pointsPerPixel: number = 2,
+): number {
+  return Math.max(100, Math.floor(viewportWidth * pixelRatio * pointsPerPixel))
+}