本文介绍如何基于 estimated_stay_time 字段，以指定阈值（如 100000）为动态区间边界，对有序数据进行前向分组——即每个新组仅当当前项与前一项的差值超出阈值或为负时才开启，严格保持 detected_time 的原始顺序。
本文介绍如何基于 estimated_stay_time 字段，以指定阈值（如 100000）为动态区间边界，对有序数据进行前向分组——即每个新组仅当当前项与前一项的差值超出阈值或为负时才开启，严格保持 detected_time 的原始顺序。
在实际业务场景中（例如物联网设备停留时长聚类、用户会话分段、传感器事件窗口划分），我们常需将按时间戳有序的数据，按某数值字段的“连续性”进行分组：不是简单地按固定区间（如 [0,100000), [100000,200000)）做桶划分，而是要求分组必须满足前向连续性约束——即只有当前元素与前一个元素的差值 ≤ 阈值（且非负）时，才可归入同一组；一旦差值超限或出现倒退（如后项小于前项），就必须新建分组。
这本质上是一种贪心式滑动窗口分组（Greedy Sequential Binning），核心逻辑是：
- 初始化空结果数组；
- 遍历输入数组，对每个元素计算其与前一项 estimated_stay_time 的增量 delta；
- 若为首个元素、delta < 0（时间倒退）或 delta > extension_window（超出容忍窗口），则开启新组；
- 否则，追加到上一组末尾。
以下是实现该逻辑的健壮代码：
const data = [
{ detected_time: 1, estimated_stay_time: 300, extension_window: 100000 },
{ detected_time: 2, estimated_stay_time: 330000, extension_window: 100000 },
{ detected_time: 3, estimated_stay_time: 130000, extension_window: 100000 },
{ detected_time: 4, estimated_stay_time: 150000, extension_window: 100000 },
{ detected_time: 5, estimated_stay_time: 3000, extension_window: 100000 },
{ detected_time: 6, estimated_stay_time: 591988, extension_window: 100000 },
{ detected_time: 7, estimated_stay_time: 663913, extension_window: 100000 }
];
const groupByRange = (arr, rangeKey = 'estimated_stay_time', windowKey = 'extension_window') => {
return arr.reduce((groups, item, index, array) => {
// 计算与前一项的增量（首项无前项，delta 设为 Infinity 触发新组）
const prevItem = array[index - 1];
const delta = item[rangeKey] - (prevItem ? prevItem[rangeKey] : 0);
// 条件：首项 / 增量为负 / 增量超过窗口阈值 → 新建组
if (index === 0 || delta < 0 || delta > item[windowKey]) {
groups.push([item]);
} else {
groups[groups.length - 1].push(item);
}
return groups;
}, []);
};
const result = groupByRange(data);
console.log(JSON.stringify(result, null, 2));✅ 关键设计说明：
- reduce 单次遍历，时间复杂度 O(n)，空间复杂度 O(n)，高效且易读；
- 使用 array[index - 1] 直接访问前项，避免额外状态变量，逻辑更内聚；
- delta < 0 显式处理数据异常倒序（如采集错误），确保分组鲁棒性；
- windowKey 参数化支持不同字段控制窗口大小（如 extension_window 可替换为常量 100000）；
- 严格保持 detected_time 的原始顺序——因输入已按此排序，算法不重排、不筛选。
⚠️ 注意事项：
- 此方法依赖输入数据已按 detected_time 升序排列。若未排序，请先调用 data.sort((a, b) => a.detected_time - b.detected_time)；
- extension_window 是每项独立的容忍阈值，若需全局统一阈值，可将 item[windowKey] 替换为固定数值；
- 若 estimated_stay_time 可能为 null/undefined，建议在 delta 计算前添加类型校验（如 Number(item[rangeKey]) || 0）。
该方案兼顾语义清晰性与工程实用性，适用于实时流处理、前端日志聚合、后台批处理等需要“顺序敏感区间分组”的典型场景。
