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：https://github.com/jrainlau/s...（本地下载）
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：separator.js
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：classifier.js
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：