本文介绍了ECharts折线图在大数据量展示时的卡顿问题及其解决方案。通过使用LTTB（Least Two-Dimensional Total Bounding）算法进行数据降维，有效提高了渲染速度，同时探讨了如何处理因数据减少导致的提示信息缺失问题。
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
正常显示如上图
考虑到折线图上的展示实际上看的是趋势和特别动荡的点，因此或许可以只保留那些‘极值点’即特征点
这样就想到了几个方案
比如用聚类算法将依据动荡程度数据分类然后取均值，但是不论是最简单的K-mean还是其他都需要事先确定分组或者初始值，这样就需要让数据经过两轮洗礼，开局加载就要等个10~20s，显然得不偿失
2.多项式拟合算法，拟合算法大多用来训练一个模型做预测作用，而且为了确定幂次数和让损差函数达到恰当小的值，开销可能更大，显得大材小用了
然后我就傻傻的把自己折磨了半天去测试这些，最后拍大腿一想，不是更应该用数据降维或者降采样</
最低0.47元/天 解锁文章
757
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
