本文介绍如何在 javaScript 中对多个长度不一、但共享时间戳的时间序列数组进行聚合，按统一时间点合并所有可用数值并计算均值，最终输出标准 [timestamp, averageValue] 格式数组。
本文介绍如何在 javascript 中对多个长度不一、但共享时间戳的时间序列数组进行聚合，按统一时间点合并所有可用数值并计算均值，最终输出标准 `[timestamp, averagevalue]` 格式数组。
在时序数据分析场景中（如传感器数据、日志指标或金融行情），常遇到多源数据缺失不一致的问题：各数据流采样频率相近，但因网络延迟、设备离线或写入失败导致部分时间点缺失。此时，若需生成一条“融合均值曲线”，核心挑战在于——跳过缺失值、对齐有效时间戳、跨数组聚合计算。本文提供一种不依赖外部库（如 Lodash）的现代 javascript 解决方案，兼顾可读性、性能与健壮性。
核心思路：分三步完成聚合
- 扁平化合并：将所有时间序列数组展开为单一二维数组；
- 按键分组：以时间戳为 key，收集所有对应数值构成数组；
- 映射计算：遍历分组结果，对每个时间戳下的数值数组求算术平均，并格式化输出。
实现代码（ES2020+）
const Array1 = [[1, 100], [2, 200], [3, 300], [4, 400]]; const array2 = [[1, 150], [3, 350], [4, 450]]; const array3 = [[1, 250], [2, 350], [4, 450]]; const allArrays = [array1, array2, array3]; // 步骤 1 & 2：扁平化 + 按时间戳分组（使用 NULLish coalescing assignment ??=） const groupedByTime = allArrays .flat() // 替代 [...array1, ...array2, ...array3]，更简洁且支持任意数量数组 .reduce((acc, [time, value]) => { (acc[time] ??= []).push(value); return acc; }, {}); // 步骤 3：转为结果数组，计算均值并保留一位小数 const averagedResult = Object.entries(groupedByTime) .map(([timeStr, values]) => { const time = Number(timeStr); const avg = values.reduce((sum, v) => sum + v, 0) / values.Length; return [time, parseFloat(avg.toFixed(1))]; // toFixed(1) → string，用 parseFloat 转回 number 更稳妥 }) .sort((a, b) => a[0] - b[0]); // 确保按时间升序排列（原始数据未必有序） console.log(averagedResult); // 输出: [[1, 166.7], [2, 275], [3, 325], [4, 433.3]]关键细节说明
- ✅ Array.prototype.flat()：替代手动展开，天然支持嵌套层级控制（默认深度 1），语义清晰且兼容性良好（Node.js ≥12，现代浏览器全覆盖）；
- ✅ ??= 运算符：仅当 acc[time] 为 null 或 undefined 时才初始化为空数组，避免覆盖已有值，比 ||= 更安全（防止 0、false 等 falsy 值误判）；
- ✅ parseFloat(avg.toFixed(1))：相比直接返回字符串，确保结果为数值类型，便于后续数学运算或图表库消费；
- ✅ 显式排序：Object.entries() 不保证插入顺序，尤其当时间戳非连续或含负数时，sort() 可确保输出严格按时间递增，符合时间序列惯例。
注意事项与扩展建议
- 精度处理：若业务要求更高精度（如金融场景），应避免 toFixed() 的字符串截断，改用 math.round(avg * 10) / 10 保持数值类型；
- 空数组防护：生产环境建议增加 if (values.length === 0) return; 防御性检查（本例中不会触发，但增强鲁棒性）；
- 大规模数据优化：当数组总量超万级时，可考虑使用 Map 替代普通对象（new Map() + map.get(t)?.push(v) || map.set(t, [v])），避免原型链查找开销；
- 支持毫秒级时间戳：代码完全兼容 unix 毫秒时间戳（如 date.now()），无需额外转换。
该方案轻量、无依赖、逻辑直白，适用于前端可视化预处理或 Node.js 后端数据聚合，是处理异构时间序列均值融合的推荐实践。