当前位置:首页 > 文章列表 > 文章 > 前端 > 如何在 Chart.js 堆叠条形图中实现分组与去重图例标签

如何在 Chart.js 堆叠条形图中实现分组与去重图例标签

2026-08-20 17:11:31 0浏览 收藏

本文详解如何通过合理组织数据集和配置堆叠选项,在 Chart.js 中构建按年份分组、按动物类型堆叠的条形图,并避免图例标签重复,最终呈现清晰的 dogs、cats、2024、2024 四类独立标签。

如何在 Chart.js 堆叠条形图中实现分组与去重图例标签

本文详解如何通过合理组织数据集和配置堆叠选项,在 Chart.js 中构建按年份分组、按动物类型堆叠的条形图,并避免图例标签重复,最终呈现清晰的 `dogs`、`cats`、`2024`、`2024` 四类独立标签。

在 Chart.js 里做“按年份分组 + 按类型堆叠”的条形图时,很多人一开始都会踩进同一个坑:把同一种类型(比如 "dogs")拆成多个 dataset,分别去对应不同年份。结果就是,图例里会反复出现同样的 "dogs" 标签。原因其实不复杂——Chart.js 生成图例项时,默认看的是 dataset.label,并不会按照你理解中的语义关系自动做聚合。

正确解法在于分离维度职责:

  • X 轴(分组维度):代表时间单位(如月份),需启用 scales.x.stacked = true 实现同月多组并列;
  • 堆叠逻辑(Y 轴):同一 stack ID 下的 dataset 在 Y 方向累加,因此应让每个 年份 对应一个独立 stack(如 "2024"、"2024");
  • 图例标签(语义维度):每个 dataset 的 label 应唯一标识其 类型+年份组合(如 "dogs 2024"),但若需仅显示 dogs/cats/2024/2024 四个标签,则必须借助图例 plugins.legend.labels.filter 进行动态过滤。

以下是推荐的完整实现方案:

✅ 正确的数据结构设计

每个 dataset 表示「某一年份下某一类型」的完整月度数据,stack 按年份设置,确保同一年份内不同类型垂直堆叠:

const data = {
labels: ["January", "February", "March"],
datasets: [
{
label: "dogs 2024",
data: [12, 6, 2],
stack: "2024",
backgroundColor: "rgba(54, 162, 235, 0.6)"
},
{
label: "cats 2024",
data: [2, 5, 7],
stack: "2024",
backgroundColor: "rgba(255, 99, 132, 0.6)"
},
{
label: "dogs 2024",
data: [2, 20, 5],
stack: "2024",
backgroundColor: "rgba(54, 162, 235, 0.3)"
},
{
label: "cats 2024",
data: [8, 12, 9],
stack: "2024",
backgroundColor: "rgba(255, 99, 132, 0.3)"
}
]
};

✅ 关键配置:启用双堆叠 + 自定义图例

const config = {
type: "bar",
data: data,
options: {
responsive: true,
scales: {
x: { stacked: true },// 同一月份显示多个年份组(横向分组)
y: { stacked: true } // 同一年份内类型纵向堆叠(纵向累加)
},
plugins: {
legend: {
labels: {
// 动态过滤图例:只保留唯一单词(dogs/cats/2024/2024)
filter: (item) => {
const parts = item.text.split(" ");
return parts.length === 1 || 
 (parts.length === 2 && ["2024","2024"].includes(parts[1]));
},
// 可选:自定义生成逻辑,确保四类标签明确
generateLabels: (chart) => {
const uniqueTypes = new Set();
const uniqueYears = new Set();

chart.data.datasets.forEach(ds => {
const [type, year] = ds.label.split(" ");
if (type) uniqueTypes.add(type);
if (year && /^d{4}$/.test(year)) uniqueYears.add(year);
});

return Array.from(uniqueTypes).map(t => ({
text: t,
fillStyle: 'black',
fontColor: 'black',
hidden: false
})).concat(
Array.from(uniqueYears).map(y => ({
text: y,
fillStyle: 'black',
fontColor: 'black',
hidden: false
}))
);
}
}
}
}
}
};

⚠️ 注意事项:

  • generateLabels 返回的数组会完全替代默认图例,需手动构造所有期望标签(含颜色、状态等),适合强控制场景;
  • filter 更轻量,适用于从现有 label 中筛选,但需确保原始 label 格式可解析(如 "dogs 2024");
  • 动态数据场景下,建议在构建 datasets 前预处理:提取唯一 types 和 years,再用嵌套循环生成 dataset,保证结构可扩展;
  • 颜色建议按类型固定(如 dogs 始终用蓝色系),年份通过透明度或亮度区分,提升可读性。

最终效果:X 轴每月显示两个并列柱(2024 和 2024),每根柱内又分为 dogs/cats 两段堆叠,图例仅显示四个无重复标签——真正实现语义清晰、结构灵活、可维护性强的专业图表。

如何使用 JavaScript 动态添加 HTML 元素如何使用 JavaScript 动态添加 HTML 元素
上一篇
如何使用 JavaScript 动态添加 HTML 元素
如何在 async 函数的 finally 块中正确等待异步清理操作
下一篇
如何在 async 函数的 finally 块中正确等待异步清理操作
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    343次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    400次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    395次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    357次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    182次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码