📊 海量數據採樣策略
本章節只做一件事：說明百萬點控制圖如何降採樣顯示又不丟 OOC 特徵。渲染架構見 layer-rendering。
讀完本篇你能回答
- 為什麼 SPC 不能隨機抽樣顯示？
- LTTB 保留了什麼視覺特徵？
- Cpk 計算能不能用採樣後的數據？
1. 隨機抽樣為何不行
| 方式 | 問題 |
|---|---|
| 隨機抽樣 | 極易丟失 OOC 尖峰 |
| 均值抽樣 | 抹平波動，假裝穩定 |
SPC 在乎的是異常點，不是平均輪廓。
2. LTTB 算法
在每個 Bucket 選能構成最大三角形面積的點，保留視覺輪廓與尖峰。
3. 動態 LOD
依螢幕像素寬度決定傳輸點數（如 1024px → 約千點）；多層快照快取實現瞬間載入。
實務提醒
採樣只用於繪圖層。 等指標必須用全量數據計算。高倍率採樣時應提示使用者放大區間再細讀。
延伸閱讀
| 主題 | 文章 |
|---|---|
| 圖層渲染 | layer-rendering |
| 計算引擎 | calculation-engine |