import { lttb } from './lttb.js';
import { mmba } from './mmba.js';
import { rs } from './rs.js';
import { sws } from './sws.js';
import { us } from './us.js';
export interface DataPoint {
    x: number;
    y: number;
}
/** ## `Sampling` : 数据降采样算法
### 包含算法
+ `LTTB` : 最大三角形三桶算法
+ `MMBA` : 模式中位数分桶算法
 */
export declare const Sampling: {
    /** ## `LTTB`（Largest Triangle Three Buckets）: 最大三角形三桶算法
  LTTB算法适用于需要保留数据总体趋势和主要特征的场景。例如，在显示金融市场的历史价格数据时，需要保留价格走势的整体形态。相比于单桶的短视问题，将有效区域的计算延伸到前后两个桶。
  + `优点`: 能最大限度保存图形的趋势,形状和极值
  + `缺点`：计算复杂度较高，可能会忽略高频细节。
  ### 适用场景
  1. 时间序列数据的可视化降维
  2. 任何需要展示大量数据趋势的图表
  */
    LTTB: typeof lttb;
    /** ## `MMBA`（Mode Median Bucketing Algorithm）: 模式中位数分桶算法
  根据数据的模式（出现频率最高的值）和分布特征来智能分桶，而不是简单地均匀分桶。
  + `优点` : 能更好地保留数据的模式，适用于数据分布不均匀的情况
  + `缺点` : 对小数据集可能过拟合，趋势保持相对较弱
  ### 适用场景
  1. 周期性数据
      + 日用电量模式，传感器数据展示
  2. 多峰分布数据
      + 如股票价格，用户行为数据）
     */
    MMBA: typeof mmba;
    /** `RS` : (Random Sampling) 随机采样算法
  随机采样适用于初步探索性分析或对数据精度要求不高的场景。
  ### 适用场景
  1. 大规模数据集的快速近似分析
      + 对大规模数据采取随机采样,其结果值符合大数定律，可以快速获得一个大致的了解。
  2. 数据分布未知或复杂，但需避免人为偏差
  3. 机器学习中的训练集构建
  @example
  ```ts
  // 对随机生成的数据使用RS采样能够得到期望的采样结果
  const datalen = 1000
  const threshold = Math.floor(datalen / 5)

  const origindata = Array.from({ length: datalen }, (_, i) => ({ x: i, y: Math.random() * 100 }))

  const sampled = Sampling.RS(origindata, threshold)

  assert.equal(sampled.length, threshold)

  const chartd = render(origindata, sampled)
  result(() => Deno.writeTextFileSync(new URL('./output/rs.svg', import.meta.url), chartd))
  ```
 */
    RS: typeof rs;
    /** ## `US`（Uniform Sampling）: 均匀采样
  按固定间隔从数据集中选择数据点的采样方式。
  ### 适用场景
  1. 数据本身分布均匀或平稳 :
      + 在环境传感器数据展示中，均匀采样可以有效减少数据量而不会丢失太多信息。
  2. 数据量较大，需要降低数据量以适应硬件限制 :
      + IoT 设备定期上传传感器数据（每秒采 1000 次 → 每 10 秒传 1 次）
  3. 满足`奈奎斯特采样定理`的数据 :
      + 采样频率大于信号最高频率的两倍，则采样后的数据可以完全恢复原始信号。
  */
    US: typeof us;
    /** ## `SWS`（Sliding Window Sampling）:  滑动窗口采样
  将数据分成固定大小的窗口,在每个窗口内选择`最大值`和`最小值`和`中位数`作为代表点。
  ### 适用场景
  1. 适用于需要保留局部变化和细节的场景, 具有连续性和局部相关性的数据 :
      + `心电图`|`脑电图`数据展示需要保留每个窗口内的最大、最小或中位数等特征点。
  2. 高频率采集的原始数据 :
      + 1kHz 采样的传感器数据 → 降为 10Hz 用于可视化或模型输入
  @example
  ```ts
  interface Point {
    x: number
    y: number
}

  //符合奈奎斯特采样定理的数据
  function generate_nyquist_compliant_signal(
    f_max: number, // 信号中的最高频率（Hz）
    duration: number, // 信号持续时间（秒）
    safety_factor = 2.2 // 采样频率相对于 2*fMax 的安全倍数
  ): Point[] {
    const fs = safety_factor * 2 * f_max // 采样频率 > 2 * fMax
    const dt = 1 / fs // 采样间隔
    const N = Math.floor(duration * fs) // 采样点数
    const dataset: { x: number; y: number }[] = []
    for (let i = 0; i < N; i++) {
        const t = i * dt
        const amplitude = Math.sin(2 * Math.PI * f_max * t) // 示例：正弦波信号
      dataset.push({ x: t, y: amplitude })
    }
    return dataset

  const freq = 5

  //持续5秒的freqHz的正弦波
  const origindata = generate_nyquist_compliant_signal(freq, 5)

  const sampled = Sampling.US(origindata, origindata.length / 2)

  assert.equal(sampled.length, origindata.length / 2)

  const chartd = render(origindata, sampled)
  result(() => Deno.writeTextFileSync(new URL('./output/us.svg', import.meta.url), chartd))
    
  }

  ```
   */
    SWS: typeof sws;
};
//# sourceMappingURL=mod.d.ts.map