动态范围映射算法咨询：传感器数据动态最值缩放需求

核心算法思路 #

你需要的本质是动态线性归一化，核心逻辑是基于当前数组的实时最值，将数据区间拉伸至[0,1]。具体公式如下：

// 单个数据点的映射计算
const normalizedValue = (value - currentMin) / (currentMax - currentMin);

当数据仅在[35,75]波动时，currentMin=35、currentMax=75，代入公式后自动将该区间映射为[0,1]，完全匹配你的需求。

高效JS实现方案 #

为避免每次遍历数组计算最值（影响性能），可以在添加数据时实时维护当前的最小值和最大值：

class DynamicNormalizer {
  constructor() {
    this.data = [];
    this.currentMin = 100; // 初始值设为传感器数据上限
    this.currentMax = 0;   // 初始值设为传感器数据下限
  }

  // 添加新数据点并更新最值
  addValue(value) {
    // 确保数据在0-100范围内（可根据传感器实际情况调整）
    const clampedValue = Math.max(0, Math.min(100, value));
    this.data.push(clampedValue);
    
    // 实时更新最值
    this.currentMin = Math.min(this.currentMin, clampedValue);
    this.currentMax = Math.max(this.currentMax, clampedValue);
    
    return clampedValue;
  }

  // 对指定数据点进行归一化映射
  normalizeValue(index) {
    const value = this.data[index];
    // 处理数组只有一个元素的边界情况
    if (this.currentMin === this.currentMax) {
      return 0.5; // 或根据需求返回0/1
    }
    return (value - this.currentMin) / (this.currentMax - this.currentMin);
  }

  // 获取所有数据的归一化结果
  getAllNormalizedValues() {
    if (this.currentMin === this.currentMax) {
      return this.data.map(() => 0.5);
    }
    return this.data.map(val => (val - this.currentMin) / (this.currentMax - this.currentMin));
  }
}

扩展优化点 #

• 滑动窗口支持：如果不需要保留所有历史数据，仅关注最近N个数据的波动，可以维护一个固定长度的数组，当新数据加入时移除最早的数据，同时重新计算窗口内的最值（或用更高效的队列+最值跟踪结构）。
• 防抖/节流：如果传感器数据更新频率极高，可对最值更新做防抖处理，避免频繁计算。

关于JS库的选择 #

这类需求不需要依赖第三方库，手动实现更轻量灵活。如果项目已使用数据可视化或处理库，比如d3.js，可以用其线性尺度功能动态调整定义域：

import { scaleLinear } from 'd3-scale';

// 初始化尺度
const scale = scaleLinear().range([0, 1]);

// 每次更新数据后调整定义域
scale.domain([currentMin, currentMax]);

// 映射单个值
const normalized = scale(value);

但手动实现的代码更简洁，无额外依赖。

内容的提问来源于stack exchange，提问作者jshaw3