降采样算法交互演示

等间隔选取数据点，每隔 N 个点取一个。最简单高效，但可能丢失重要的局部特征（峰值、谷值）。

⚡ 最快 ⚠ 易丢特征 O(n)

将数据分成等宽的桶（bucket），每个桶内取平均值。天然具有抗混叠效果，但会削弱尖峰和突变。

🛡 抗混叠 ⚠ 削峰 O(n)

每个桶内同时保留最小值和最大值，完美保留信号的包络（envelope）。常用于金融K线图和监控告警。

📦 保留包络 📈 金融常用 O(n)

首尾两点固定保留。中间每桶用"已选中点(前) + 候选点 + 下一桶均值(后)"构成三角形，选面积最大的点为该桶输出，逐桶滑动。视觉效果最优。

👁 视觉最优 🎯 特征保持 O(n)

将数据分段并对每段做线性回归，用分段直线逼近原始信号。平滑噪声的同时保持趋势，适合趋势分析。

📉 趋势保持 🧹 去噪平滑 O(n)

每桶取中位数而非平均值。天然抗异常尖峰——一个极端值能拉偏均值，但影响不了中位数。配合尖峰/脉冲信号对比效果显著。

🛡 抗尖峰 🔀 均值对偶 O(n log n)

不按点数、按精度来。设定容差 ε 后，平坦区域（细节少）留很少点，剧烈波动区域（细节多）自动多留点。就像画简笔画：直线的部分两点够了，拐弯的地方需要多几个点。

🔄 自适应 🗺 地图经典 O(n²)

降采样算法 · 交互演示