介绍
在前端开发中，我们经常会遇到需要从一组数据中选取最佳的候选项的情况。通常我们需要写一些复杂的算法来完成这个任务，但是现在我们可以使用一个方便快捷的 npm 包：best-candidate。
best-candidate 可以帮助我们在一个数组或对象集合中找到最佳的项，它提供了多种评选标准和评选方法，例如利用欧几里得距离计算最近的项、利用 Jaccard 相似度计算相似项等。这个包可以大大简化我们的代码，并让我们能够更加专注于解决业务问题。
安装
首先，我们需要使用 npm 进行安装：
npm install best-candidate
基本使用
引入 best-candidate：
const bestCandidate = require('best-candidate');在一个数组中寻找离目标项最近的项：
-- -------------------- ---- ------- ----- ---------- - - - --- -- ----- -------- ------ ----- --------- - -- - --- -- ----- --------- ------ ----- --------- - -- - --- -- ----- --------- ------ ----- --------- -- -- - --- -- ----- -------- ------ ----- --------- - -- -- ----- ------ - - --- -- ----- -------- ------ ---- --------- - -- ----- ------ - ------------------------- ------- - --------- ---------- --- --------------------
这个例子中，我们定义了一个数组 candidates，其中包含了四个元素，每个元素都有自己的 id、name、price 和 distance。我们也定义了一个目标项 target，我们要从 candidates 中找到离 target 最近的项。最后一个参数是一个选项对象，我们设置了标准为 distance，因为我们要比较的是距离值。这段代码的输出应该为：
{ id: 2, name: 'banana', price: 0.89, distance: 3 }这里的 bestCandidate 函数会比较 candidates 中的每个元素与 target 的距离值，最后返回最近的结果。我们也可以将 target 定义为一个对象，只包含我们需要比较的属性：
const target = { price: 2.0, distance: 2 };这样做可以避免比较 target 对象中的其他属性，也节省了代码。
评选标准
在之前的例子中，我们是使用 distance 作为标准进行比较的。best-candidate 提供了多种评选标准，如下所示：
- distance：求两个点之间的欧几里得距离
- jaccard：计算两个集合之间的 Jaccard 相似度
- dice：计算两个集合之间的 Dice 相似度
- levenshtein：计算两个字符串之间的 Levenshtein 距离
欧几里得距离
欧几里得距离是最常见的距离计算方法，它可以帮助我们计算两个点之间的距离。假设我们有两个点 { x1, y1 } 和 { x2, y2 }，则它们之间的距离可以通过以下公式计算：
d = sqrt((x2 - x1)^2 + (y2 - y1)^2)
在 best-candidate 中，我们使用了普通的欧几里得距离计算方法来计算两个项之间的距离。因此，如果我们要在一个集合中查找离目标项最近的项，我们可以设置 distance 作为标准：
-- -------------------- ---- ------- ----- ------ - - -- -- -- - -- ----- ---------- - - - ----- ---- -- -- -- -- -- - -- - ----- ---- -- --- -- -- -- - -- - ----- ---- -- -- -- -- -- - -- -- ----- ------- - ------------------------- ------- - --------- ----- ---- --- ---------------------
在这个例子中，我们使用了 twoPoints 距离计算方法，并且设置了目标项 { x: 1, y: 1 }。我们还传递了选项对象，其中指定了 distance 标准和 twoPoints 计算方法。输出的结果应该为：
{ name: 'A', x: 2, y: 2, z: 1 }Jaccard 相似度
Jaccard 相似度是常用的集合相似度计算方法。在 best-candidate 中，我们可以使用 Jaccard 相似度来比较目标项和属于数组中其他项的某个集合。例如：
-- -------------------- ---- ------- ----- ------ - --------- --------- -------- ----- ---------- - - - ----- ---- ------- ---------- --------- -------- -- - ----- ---- ------- --------- -------- --------- -- - ----- ---- ------- ---------- ------- -- -- ----- ------ - ------------------------- ------- - ----------- ---------- ---- -------- --- --------------------
这个例子中，我们假设我们要从一个数组中找到一个元素，该元素的 values 集合与目标集合最相似。在这里，我们使用 Jaccard 相似度标准，并设置了 key：'values'，意味着我们要比较的是 values 集合。输出的结果应该为：
{ name: 'C', values: ['banana', 'pear'] }Dice 相似度
Dice 相似度是另一种集合相似度计算方法。与 Jaccard 相似度不同的是，Dice 相似度更关注集合之间的交集。在 best-candidate 中，同样可以使用 Dice 相似度算法比较两个集合的相似度：
-- -------------------- ---- ------- ----- ------ - --------- --------- -------- ----- ---------- - - - ----- ---- ------- ---------- --------- -------- -- - ----- ---- ------- --------- -------- --------- -- - ----- ---- ------- ---------- ------- -- -- ----- ------ - ------------------------- ------- - ----------- ------- ---- -------- --- --------------------
在这个例子中，我们同样要从一个数组中找到与目标集合最相似的元素。这次，我们使用 Dice 相似度，并且同样指定了 key：'values'。输出应该为：
{ name: 'C', values: ['banana', 'pear'] }Levenshtein 距离
Levenshtein 距离是一种常见的字符串相似度计算方法。它通常用来计算一个字符串与另一个字符串之间需要进行了多少次编辑（插入，删除或替换）才可以变成另一个字符串。在 best-candidate 中，我们也可以使用 Levenshtein 距离计算相似度：
-- -------------------- ---- ------- ----- ------ - ------ ------- ----- ---------- - - -------- -------- ------- --------- ----- ------- ------ ------------ -- ----- ------ - ------------------------- ------- - ----------- ------------- --- --------------------
在这个例子中，我们从一个字符串数组中找到与目标字符串最相似的字符串。我们使用了 Levenshtein 距离标准，而在这个函数中，我们不需要设置其他选项。输出应该为：
'hello'
选项
best-candidate 提供了一些选项，我们可以传递给它来自定义其行为：
- distance：指定两个项之间比较的标准。
- similarity：指定两个项之间相似度计算的标准（Jaccard 或 Dice）。
- key：指定运算标准需要比较的键（例如某属性、某一项等）。通常只用于相似度计算。
- method：选择值（字符串）时用于计算相似性/距离的方法（例如欧几里得距离、Jaccard 相似性等）。
- keepScore：如果启用，将返回项和比较结果的分数。
总结
有了 best-candidate，我们可以更高效地找到数组或对象集合中最佳的项。不仅如此，best-candidate 还提供了多种评选标准和评选方法，可以适用于不同类型的数据。在实践中，我们可以深入研究这个包，以开发出更高效、更灵活的前端应用。
来源：JavaScript中文网 ，转载请注明来源 https://www.javascriptcn.com/post/600562a181e8991b448dfcef