数组去重与频率统计是数据处理中的基础操作，用于数据清洗、统计分析和异常检测。数组去重与频率统计器使用哈希表高效统计元素频率，去除重复元素，并按频率或数值排序输出，帮助快速了解数据分布特征。

本案例基于 Kotlin Multiplatform（KMP）与 OpenHarmony，实现了一个数组去重与频率统计器：

• 高效去重：使用哈希表实现 O(n) 时间复杂度的去重操作。
• 频率统计：统计每个元素的出现次数和占比。
• 多维度排序：支持按频率降序和按数值升序两种排序方式。
• 统计分析：提供最高/最低频率、平均频率等统计摘要。

---

一、问题背景与典型场景

典型场景：

1. 数据清洗：去除数据中的重复记录，保证数据唯一性。
2. 统计分析：统计数据中每个值出现的频率，了解数据分布。
3. 异常检测：识别高频或低频元素，发现数据异常模式。
4. 日志分析：分析日志中的错误码、状态码等出现的频率。
5. 用户行为分析：统计用户访问路径、操作类型等的出现频率。

优势：

• 高效算法：使用哈希表实现 O(n) 时间复杂度，O(k) 空间复杂度（k 为唯一值数量）。
• 灵活排序：支持按频率和数值两种维度排序，满足不同分析需求。
• 直观展示：清晰展示去重结果、频率统计和占比信息。
• 易于扩展：可扩展为 Top-K 高频元素、低频元素过滤等功能。

---

二、数组去重与频率统计原理拆解

1. 哈希表统计频率

使用哈希表（Map）统计每个元素的出现频率：

val frequency = mutableMapOf<Double, Int>()
for (value in values) {
    frequency[value] = (frequency[value] ?: 0) + 1
}

复杂度分析：

• 时间复杂度：O(n) - 遍历数组一次
• 空间复杂度：O(k) - k 为唯一值的数量

2. 去重操作

哈希表的键（keys）即为去重后的唯一值：

val uniqueValues = frequency.keys.toList().sorted()

复杂度分析：

• 时间复杂度：O(k log k) - k 为唯一值数量，排序所需
• 空间复杂度：O(k)

3. 按频率排序

使用自定义比较器按频率降序排序，频率相同则按数值升序：

val sortedByFreq = frequency.entries.sortedWith(
    compareByDescending<Map.Entry<Double, Int>> { it.value }
        .thenBy { it.key }
)

4. 完整流程示例

输入数组: [1, 2, 3, 2, 4, 3, 5, 1, 2, 6]

步骤1: 统计频率
  frequency = {
    1: 2,   // 出现 2 次
    2: 3,   // 出现 3 次
    3: 2,   // 出现 2 次
    4: 1,   // 出现 1 次
    5: 1,   // 出现 1 次
    6: 1    // 出现 1 次
  }

步骤2: 获取唯一值
  uniqueValues = [1, 2, 3, 4, 5, 6]

步骤3: 按频率排序
  频率降序: [2(3次), 1(2次), 3(2次), 4(1次), 5(1次), 6(1次)]
  数值升序: [1(2次), 2(3次), 3(2次), 4(1次), 5(1次), 6(1次)]

---

三、Kotlin 数组去重与频率统计引擎

1. 输入格式设计

统一文本输入：

series=1,2,3,2,4,3,5,1,2,6

• series：数值序列，逗号/空格/分号分隔。

2. 核心算法实现 (arrayDeduplicationAndFrequencyCounter)

@JsExport
fun arrayDeduplicationAndFrequencyCounter(inputData: String): String {
    // 解析输入
    val values = mutableListOf<Double>()
    // ... 解析逻辑 ...
    
    // 统计频率
    val frequency = mutableMapOf<Double, Int>()
    for (value in values) {
        frequency[value] = (frequency[value] ?: 0) + 1
    }
    
    // 获取唯一值（去重）
    val uniqueValues = frequency.keys.toList().sorted()
    
    // 按频率排序
    val sortedByFreq = frequency.entries.sortedWith(
        compareByDescending<Map.Entry<Double, Int>> { it.value }
            .thenBy { it.key }
    )
    
    // 生成报告...
}

实现要点：

• 哈希表统计：使用 MutableMap 高效统计频率，时间复杂度 O(n)。
• 自动去重：哈希表的键自动保证唯一性。
• 灵活排序：支持按频率和数值两种排序方式。
• 占比计算：计算每个元素出现频率占总数的百分比。

3. 输出格式

报告包含：

1. 摘要信息：原始数组长度、唯一值数量、重复元素数量。
2. 原始数组：完整的输入数据序列。
3. 去重后数组：去除重复元素后的唯一值列表。
4. 频率统计（按频率降序）：每个元素的出现次数和占比。
5. 频率统计（按数值升序）：每个元素的出现次数和占比。
6. 统计摘要：最高/最低频率、平均频率等。
7. 重复元素识别：列出所有出现次数 > 1 的元素。

示例输出：

🔍 数组去重与频率统计报告
━━━━━━━━━━━━━━━━━━━━━━━━━━━━
原始数组长度: 10
唯一值数量: 6
重复元素数量: 4

📊 原始数组
索引: 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9
数值: 1 | 2 | 3 | 2 | 4 | 3 | 5 | 1 | 2 | 6

✨ 去重后数组
长度: 6
数值: 1, 2, 3, 4, 5, 6

📈 频率统计（按频率降序）
数值 | 出现次数 | 占比
-----|---------|------
2 |    3    | 30.00%
1 |    2    | 20.00%
3 |    2    | 20.00%
4 |    1    | 10.00%
5 |    1    | 10.00%
6 |    1    | 10.00%

🔄 重复元素（出现次数 > 1）
- 数值 1: 出现 2 次
- 数值 2: 出现 3 次
- 数值 3: 出现 2 次

---

四、ArkTS 前端布局与交互（pages/Index.ets）

1. 布局设计

采用卡片式垂直布局，与之前的左右分栏布局形成对比：

• 顶部标题栏：橙色主题（#FF9800）
• 功能说明卡片：浅橙色背景，展示功能特性
• 输入卡片：白色卡片，包含输入框和快速填充按钮
• 执行按钮：醒目的橙色按钮
• 结果卡片：白色卡片，展示统计结果

2. 交互功能

• 快速填充示例：
  • “示例1”：基础测试数据（含重复）
  • “示例2”：高频重复数据
  • “示例3”：复杂重复模式
• 清除功能：一键清空输入和结果
• 实时执行：点击"🚀 开始统计"后，异步调用 Kotlin 函数并显示结果。
• 状态反馈：加载中显示进度条，执行完成显示详细结果。

3. 调用方式

import { arrayDeduplicationAndFrequencyCounter } from './hellokjs'

private executeCase() {
  this.isLoading = true
  setTimeout(() => {
    try {
      let output: string = arrayDeduplicationAndFrequencyCounter(this.inputValue)
      this.result = output
    } catch (error) {
      this.result = `❌ 执行出错: ${error}`
    } finally {
      this.isLoading = false
    }
  }, 100)
}

布局改动侧重：

• 卡片式设计：使用白色卡片区分不同功能模块。
• 橙色主题：采用橙色系（#FF9800）作为主色调，与数据分析特性呼应。
• 垂直布局：所有内容垂直排列，信息流清晰。
• 紧凑设计：优化空间利用，减少滚动距离。

---

五、工程化落地建议

1. 性能优化：

   • 对于大数据集，可考虑流式处理或分块处理。
   • 使用并行处理加速频率统计（适合大规模数据）。

2. 扩展功能：

   • Top-K 高频元素：返回出现频率最高的 K 个元素。
   • 低频元素过滤：过滤出现频率低于阈值的元素。
   • 频率分布直方图：可视化展示频率分布。

3. 应用场景：

   • 数据质量检查：识别数据中的重复记录和异常值。
   • 用户行为分析：统计用户访问路径、操作类型等。
   • 日志分析：分析错误码、状态码等的出现频率。

4. 错误处理：

   • 空数组检查：数组长度至少为 1。
   • 数值验证：确保输入为有效数值。
   • 内存限制：对于超大数组，考虑分批处理。

5. 可视化建议：

   • 绘制频率柱状图，直观展示频率分布。
   • 使用饼图展示各元素的占比。
   • 标注高频和低频元素，突出异常。

6. 真实场景对接：

   • 从数据库或日志文件提取数据。
   • 实时统计流式数据的频率。
   • 结合机器学习，识别数据中的异常模式。

---

六、算法变种与应用

1. Top-K 高频元素

返回出现频率最高的 K 个元素：

val topK = sortedByFreq.take(k).map { it.key }

2. 低频元素过滤

过滤出现频率低于阈值的元素：

val filtered = frequency.entries
    .filter { it.value >= threshold }
    .map { it.key }

3. 频率分组

按频率范围分组元素：

val freqGroups = frequency.entries.groupBy {
    when {
        it.value >= 10 -> "高频(≥10)"
        it.value >= 5 -> "中频(5-9)"
        else -> "低频(<5)"
    }
}

4. 应用场景扩展

• 数据清洗：去除重复记录，保证数据唯一性。
• 统计分析：了解数据分布特征。
• 异常检测：识别高频或低频异常模式。
• 推荐系统：统计用户偏好，推荐热门内容。
• A/B 测试：统计不同版本的访问频率。

---

七、快速检查清单

• 输入格式正确：series=数值序列。
• 数组长度验证：数组长度至少为 1。
• 频率统计准确：每个元素的出现次数正确。
• 去重结果正确：唯一值列表准确。
• 排序功能正常：按频率和数值排序正确。
• 占比计算准确：频率占比计算正确。
• 重复元素识别：正确列出所有重复元素。
• 统计摘要完整：提供最高/最低频率、平均频率等。
• UI 布局清晰：卡片式设计，橙色主题，信息流清晰。
• 示例加载功能正常：快速填充预设测试数据。

---

八、总结

数组去重与频率统计器通过哈希表实现了高效的数据处理，帮助我们：

• 快速去重：使用哈希表实现 O(n) 时间复杂度的去重操作。
• 频率统计：统计每个元素的出现次数和占比，了解数据分布。
• 灵活排序：支持按频率和数值两种排序方式，满足不同分析需求。
• 工程化应用：在数据清洗、统计分析、异常检测等领域广泛应用。

结合 KMP 与 OpenHarmony，我们实现了轻量级的数组去重与频率统计器，为数据处理提供了有力的工具支持。

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.csdn.net