利用JS实现一个同Excel表现的智能填充算法

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：predictor.js

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