如何解决数据量较大时，图表的视觉展示出现的性能问题？
1.提升图表控件性能。（UI，绘图）
重写控件
2.对数据进行采样，保留特征点。（减少数据）
使用采样算法
对于间隔一定的时序数据来说，通常以曲线图的方式来展现数据随时间变化的线性关系，进而通过视觉方式来直观判断整个采集过程中数据的波动情况，如上升，下降，陡然跳变等。
均匀采样。这是最容易想到的办法。从所有数据中，等间隔地获取我们想要的数据，然后将其他数据直接丢弃掉。但是，有一个问题：我们无法判断所丢弃的数据中是否存在特征点或异常值，数据在图表上的曲线“形状”被改变了，那些波峰，波谷，跳变可能被抹去了。显然，这样的结果不是我们所想要的。
RDP算法（拉默·道格拉斯·普克算法）[1]。通常，这种算法广泛地用于GIS中轨迹的压缩，保留原始曲线图形的形状。压缩曲线，降低绘制精度，减少点的数量，保留曲线形状，这是它的用途。我们的目的是什么呢？在保留图表上曲线形状的情况下，尽可能降低点的数量，从而解决图表控件因数据量太大所造成的性能问题。将它作为数据采样算法，应用到实际图表展示中，效果似乎也不错。但它也有一个问题：它的阈值设定是根据曲线波动的幅度来确定的，我们无法预测下一条曲线的波动情况进而确定采样算法的阈值，或者说在应用到图表展示时比较困难。它就像“玄学调参”般无法去确定一个具体的阈值设定。因为采集的数据在未展示时，必须再次通过计算方式来动态地判断它的局部或整体的波动状况，从而引入更多的不确定性。不确定意味着更多的时间，性能的下降。
LTTB算法[2][3][4]。根据这篇博客[5]的介绍，LTTB算法主要源于Visvalingam-Whyatt算法[6][7]。该算法能保留数据在图表坐标上的“形状”特征，最重要的是，算法的阈值设定是根据曲线预期得到的点的数量来确定。也就是说，我们可以在设定指定个数点的情况下，尽可能的保留原始数据在图表上的视觉特征。而数据采样的预期数目又可以根据图表在屏幕上的像素来确定。根据图像信号采样中的奈奎斯特频率[8][9]来说，绘制任何大于屏幕分辨率1/2的点数，是一种浪费[10]。这样，我们便可以通过图表在显示界面的实际宽度，进而确定数据的采样个数，得到一个相对比较好的图表显示效果。
如果你使用python，这里[11]也有对应的算法。
https://en.wikipedia.org/wiki/Ramer–Douglas–Peucker_algorithm ↩︎
https://blog.csdn.net/qq_37960007/article/details/109445735?spm=1001.2014.3001.5501 “【时间序列降维】一种领先国内的降维算法—LTTB降维拟合算法” ↩︎
https://github.com/sveinn-steinarsson/flot-downsample/ “LTTB 算法作者的 Github 代码示例” ↩︎
https://skemman.is/handle/1946/15343 “LTTB 算法作者的原始论文” ↩︎
https://en.wikipedia.org/wiki/Visvalingam–Whyatt_algorithm ↩︎
https://blog.csdn.net/sinat_41310868/article/details/114500282 "常用的地图数据概化算法：Douglas-Peucker 与 Visvalingam-Whyatt " ↩︎
https://blog.csdn.net/qq_36763031/article/details/104020114 “奈奎斯特采样定理—以二维图像为例” ↩︎
https://stackoverflow.com/questions/952657/most-performant-way-to-graph-thousands-of-data-points-with-wpf “Most performant way to graph thousands of data points with WPF?” ↩︎