JavaScript构造函数参数处理与统计实现

IT行业相对于一般传统行业，发展更新速度更快，一旦停止了学习，很快就会被行业所淘汰。所以我们需要踏踏实实的不断学习，精进自己的技术，尤其是初学者。今天golang学习网给大家整理了《JavaScript构造函数处理参数数组与统计方法实现》，聊聊，我们一起来看看吧！

本文详细介绍了如何在JavaScript中设计一个健壮的统计分析类。通过向类构造函数传递一个可变长度的数组，并将其存储为实例属性，避免了不必要的解构。文章演示了如何实现一系列核心统计方法，包括均值、中位数、众数、方差和标准差等，并提供了清晰的代码示例和最佳实践，旨在帮助开发者构建高效的数据处理工具。

1. 类构造函数设计：处理可变长度输入数组

在JavaScript中，当我们需要创建一个类来处理一组可变数量的输入数据时，例如进行统计分析，一个常见的需求是将所有这些数据作为数组传递给类的构造函数。最推荐的做法是直接将整个数组作为参数传入，并将其赋值给类的实例属性。

不推荐的构造函数设计（过度解构）：

class Solution {
    constructor(...inputs) {
        // 这种方式会将inputs展开，然后尝试解构到独立的属性，
        // 如果目的是处理整个数组，则不必要且可能导致数据分散。
        [this.input1, this.input2, ...rest] = inputs; 
    }
}

上述代码中，...inputs 会将所有传入的参数收集成一个数组，但随后的解构 [this.input1, this.input2, ...rest] = inputs; 旨在将数组的元素分别赋值给多个实例属性。如果我们的目标是对整个数据集进行统计计算，那么将数据分散到多个属性中并不利于后续操作。

推荐的构造函数设计（直接赋值数组）：

class Statistics {
    constructor(data) {
        // 直接将传入的数组赋值给实例属性，便于后续方法访问整个数据集。
        this.data = data; 
    }
    // ... 统计方法将在这里实现
}

通过这种方式，this.data 将始终是一个包含所有输入数值的数组，使得类中的所有方法都能方便地访问和操作这个完整的数据集。

2. 实现核心统计方法

一个功能完善的统计类应能提供多种常用的统计量计算。以下将逐步实现这些方法。

2.1 基础统计量：计数、求和、最小值、最大值和范围

这些是最基本的数据描述。

class Statistics {
    constructor(data) {
        this.data = data;
    }

    /**
     * 获取数据集中的元素数量。
     * @returns {number} 数据集大小。
     */
    count() {
        return this.data.length;
    }

    /**
     * 计算数据集中所有元素的总和。
     * @returns {number} 元素的总和。
     */
    sum() {
        return this.data.reduce((accumulator, currentValue) => accumulator + currentValue, 0);
    }

    /**
     * 计算数据集中的最小值。
     * @returns {number} 数据集中的最小元素。
     */
    min() {
        return Math.min(...this.data);
    }

    /**
     * 计算数据集中的最大值。
     * @returns {number} 数据集中的最大元素。
     */
    max() {
        return Math.max(...this.data);
    }

    /**
     * 计算数据集的范围（最大值 - 最小值）。
     * @returns {number} 数据集的范围。
     */
    range() {
        return this.max() - this.min();
    }
}

注意事项：

• sum() 方法使用了 reduce，这是一个高效且简洁的数组求和方式。
• min() 和 max() 方法利用了扩展运算符（...）将数组元素作为独立参数传递给 Math.min 和 Math.max。

2.2 均值、中位数和众数

这些是衡量数据集中趋势的重要指标。

class Statistics {
    // ... (previous methods)

    /**
     * 计算数据集的算术平均值。
     * @returns {number} 数据集的平均值。
     */
    mean() {
        return this.sum() / this.count();
    }

    /**
     * 计算数据集的中位数。
     * @returns {number} 数据集的中位数。
     */
    median() {
        // 使用 toSorted() 避免修改原始数据
        const sorted = this.data.toSorted((a, b) => a - b);
        const len = this.count();
        // 位运算符 >> 1 等同于 Math.floor(len / 2)
        // 对于偶数长度，取中间两个数的平均值
        // 对于奇数长度，(len >> 1) 和 ((len + 1) >> 1) 都会指向同一个中间索引
        return (sorted[len >> 1] + sorted[(len + 1) >> 1]) / 2;
    }

    /**
     * 内部辅助方法：计算每个数值的频率。
     * @returns {Array<{value: number, count: number}>} 包含每个数值及其出现次数的数组，按频率降序排列。
     */
    _frequencies() {
        const map = new Map();
        for (let value of this.data) {
            map.set(value, (map.get(value) || 0) + 1);
        }
        // 将Map转换为数组，并添加 value 属性以匹配原始答案结构
        const frequenciesArray = Array.from(map, ([value, count]) => ({value, count}));
        // 按计数降序排列，如果计数相同则按值降序排列
        return frequenciesArray.toSorted((a, b) => b.count - a.count || b.value - a.value);
    }

    /**
     * 计算数据集的众数。
     * @returns {{mode: number, count: number}} 包含众数及其出现次数的对象。
     */
    mode() {
        const frequencies = this._frequencies();
        if (frequencies.length === 0) {
            return {mode: null, count: 0}; // 处理空数据集
        }
        // 众数是频率最高的那个
        const {value, count} = frequencies[0];
        return {mode: value, count};
    }
}

注意事项：

• median() 方法使用了 toSorted()，这是一个ES2023引入的非破坏性排序方法，它返回一个新数组而不改变原数组。如果你的环境不支持，可以使用 [...this.data].sort()。
• _frequencies() 是一个内部辅助方法（以 _ 开头），用于计算每个数值出现的频率，这对于计算众数和频率分布非常有用。它返回一个按频率降序排列的对象数组。
• mode() 方法直接利用 _frequencies() 的结果来获取出现次数最多的数值。

2.3 方差和标准差

这些是衡量数据离散程度的重要指标。

class Statistics {
    // ... (previous methods)

    /**
     * 内部辅助方法：计算数据集中所有元素平方的总和。
     * @returns {number} 元素的平方总和。
     */
    _sumSquares() {
        return this.data.reduce((accumulator, currentValue) => accumulator + currentValue * currentValue, 0);
    }

    /**
     * 计算数据集的样本方差。
     * 这里使用的是总体方差公式 (Σx² / N) - μ²，而不是样本方差 (Σ(x-μ)² / (N-1))。
     * 根据问题描述的输出，此实现与提供的答案保持一致。
     * @returns {number} 数据集的方差。
     */
    var() {
        const len = this.count();
        if (len === 0) return 0; // 避免除以零
        return this._sumSquares() / len - this.mean() ** 2;
    }

    /**
     * 计算数据集的标准差。
     * @returns {number} 数据集的标准差。
     */
    std() {
        return this.var() ** 0.5; // 方差的平方根
    }
}

注意事项：

• _sumSquares() 是另一个内部辅助方法，用于计算方差。
• var() 方法实现的方差公式是总体方差的简化计算公式。在实际应用中，需要根据是计算总体方差还是样本方差来选择合适的公式。

2.4 频率分布

频率分布展示了数据集中每个数值出现的相对频率。

class Statistics {
    // ... (previous methods)

    /**
     * 计算数据集的频率分布。
     * @returns {Array<[number, number]>} 包含每个数值及其在数据集中所占百分比的数组。
     * 数组元素格式为 [百分比, 数值]，按百分比降序排列。
     */
    freqDist() {
        const totalCount = this.count();
        if (totalCount === 0) return [];

        const frequencies = this._frequencies();
        const coefficient = 100 / totalCount; // 用于计算百分比的系数

        return frequencies.map(({value, count}) =>
            [parseFloat((count * coefficient).toFixed(1)), value] // 保留一位小数
        );
    }
}

注意事项：

• freqDist() 再次利用了 _frequencies() 辅助方法。
• 它将计数转换为百分比，并格式化为 [百分比, 数值] 的元组形式。

3. 整合与输出：describe() 方法

为了方便查看所有统计结果，可以添加一个 describe() 方法来统一输出。

class Statistics {
    // ... (all previous methods)

    /**
     * 输出数据集的所有主要统计量。
     */
    describe() {
        console.log('Count:', this.count());
        console.log('Sum: ', this.sum());
        console.log('Min: ', this.min());
        console.log('Max: ', this.max());
        console.log('Range: ', this.range());
        console.log('Mean: ', this.mean());
        console.log('Median: ', this.median());
        // 众数输出为 {mode: value, count: count}
        const modeResult = this.mode();
        console.log('Mode: ', `(${modeResult.mode}, ${modeResult.count})`); 
        console.log('Variance: ', parseFloat(this.var().toFixed(1))); // 格式化输出
        console.log('Standard Deviation: ', parseFloat(this.std().toFixed(1))); // 格式化输出
        console.log('Frequency Distribution: ', this.freqDist());
    }
}

注意事项：

• describe() 方法聚合了所有统计量的输出。
• 为了与示例输出保持一致，Mode 的输出格式被调整为 (mode, count)。
• 对 Variance 和 Standard Deviation 进行了保留一位小数的格式化，以符合示例输出的精度。在实际应用中，是否进行四舍五入以及保留多少位小数应根据具体需求决定。

4. 完整示例与使用

下面是一个完整的 Statistics 类及其使用示例：

class Statistics {
    constructor(data) {
        this.data = data;
    }

    count() {
        return this.data.length;
    }

    sum() {
        return this.data.reduce((accumulator, currentValue) => accumulator + currentValue, 0);
    }

    min() {
        return Math.min(...this.data);
    }

    max() {
        return Math.max(...this.data);
    }

    range() {
        return this.max() - this.min();
    }

    mean() {
        return this.sum() / this.count();
    }

    median() {
        const sorted = this.data.toSorted((a, b) => a - b);
        const len = this.count();
        return (sorted[len >> 1] + sorted[(len + 1) >> 1]) / 2;
    }

    _frequencies() {
        const map = new Map();
        for (let value of this.data) {
            map.set(value, (map.get(value) || 0) + 1);
        }
        const frequenciesArray = Array.from(map, ([value, count]) => ({value, count}));
        return frequenciesArray.toSorted((a, b) => b.count - a.count || b.value - a.value);
    }

    mode() {
        const frequencies = this._frequencies();
        if (frequencies.length === 0) {
            return {mode: null, count: 0};
        }
        const {value, count} = frequencies[0];
        return {mode: value, count};
    }

    _sumSquares() {
        return this.data.reduce((accumulator, currentValue) => accumulator + currentValue * currentValue, 0);
    }

    var() {
        const len = this.count();
        if (len === 0) return 0;
        return this._sumSquares() / len - this.mean() ** 2;
    }

    std() {
        return this.var() ** 0.5;
    }

    freqDist() {
        const totalCount = this.count();
        if (totalCount === 0) return [];

        const frequencies = this._frequencies();
        const coefficient = 100 / totalCount;

        return frequencies.map(({value, count}) =>
            [parseFloat((count * coefficient).toFixed(1)), value]
        );
    }

    describe() {
        console.log('Count:', this.count());
        console.log('Sum: ', this.sum());
        console.log('Min: ', this.min());
        console.log('Max: ', this.max());
        console.log('Range: ', this.range());
        console.log('Mean: ', this.mean());
        console.log('Median: ', this.median());
        const modeResult = this.mode();
        console.log('Mode: ', `(${modeResult.mode}, ${modeResult.count})`);
        console.log('Variance: ', parseFloat(this.var().toFixed(1)));
        console.log('Standard Deviation: ', parseFloat(this.std().toFixed(1)));
        console.log('Frequency Distribution: ', this.freqDist());
    }
}

// 示例数据
const ages = [31, 26, 34, 37, 27, 26, 32, 32, 26, 27, 27, 24, 32, 33, 27, 25, 26, 38, 37, 31, 34, 24, 33, 29, 26];

// 创建 Statistics 实例
const statistics = new Statistics(ages);

// 调用 describe 方法输出所有统计量
statistics.describe();

/* 预期输出:
Count: 25
Sum:  744
Min:  24
Max:  38
Range:  14
Mean:  29.76
Median:  29
Mode:  (26, 5)
Variance:  17.5
Standard Deviation:  4.2
Frequency Distribution: [
  [20, 26], [16, 27], [12, 32], [8, 37],
  [8, 34], [8, 33], [8, 31], [8, 24],
  [4, 38], [4, 29], [4, 25]
]
*/

5. 总结与最佳实践

通过上述实现，我们构建了一个功能全面的JavaScript统计类，能够灵活处理可变长度的数值数组。

关键要点总结：

• 构造函数设计：直接将整个输入数组作为单一参数传递给构造函数，并将其存储为实例属性，是处理可变长度数据集的最佳实践。这避免了不必要的解构，并使所有方法都能方便地访问完整数据集。
• 方法实现：充分利用JavaScript的数组方法（如 reduce、toSorted、map）可以编写出简洁高效的代码。
• 辅助方法：使用以 _ 开头的内部辅助方法（如 _frequencies、_sumSquares）可以提高代码的模块化和可读性，避免重复计算。
• 数据不变性：在需要排序的操作中，优先使用 toSorted()（ES2023）或 [...array].sort() 来创建排序后的新数组，而不是直接修改原始数据。
• 精度控制：在输出统计结果时，根据需求进行适当的四舍五入和格式化。
• 错误处理：对于可能导致除以零或其他异常的情况（如空数据集），应加入适当的检查和默认返回值。

这个 Statistics 类为数据分析任务提供了一个坚实的基础，可以根据具体需求进一步扩展，例如添加百分位数、协方差、相关系数等更高级的统计功能。

今天带大家了解了的相关知识，希望对你有所帮助；关于文章的技术知识我们会一点点深入介绍，欢迎大家关注golang学习网公众号，一起学习编程~