背景

雷达图渲染前要统计采样值的分布——算百分位、做增益和对比度映射，这步一般叫”采样直方图”。打开一个多文件的测线时，每打开一个文件都得算一遍。

原来的 O(N×M)

最早的做法是”对每个待统计的输出桶，把所有采样点扫一遍，数有多少落进这个桶”。N 个采样点 × M 个桶，复杂度 O(N×M)。单文件几百万采样点的时候，光这一步就把打开速度拖慢一大截，多文件叠在一起更明显。

改成 O(N) 单遍桶计数

其实直方图没必要每个桶都扫一遍数据。一趟遍历，把每个采样点直接扔进它对应的桶就行了：

fun histogram(samples: IntArray, min: Int, max: Int, bucketCount: Int): IntArray {
    val buckets = IntArray(bucketCount)
    val range = (max - min).coerceAtLeast(1)
    for (v in samples) {
        val idx = ((v - min).toLong() * bucketCount / range).toInt()
            .coerceIn(0, bucketCount - 1)
        buckets[idx]++
    }
    return buckets
}

几个细节：range 用 coerceAtLeast(1) 兜底，防止 max == min 时除以零；算 idx 时先转 Long 再乘 bucketCount，避免采样值很大时相乘溢出；最后 coerceIn 把正好等于 max 的点按回最后一个桶，防止数组越界。一趟下来 O(N) 完事，桶数 M 不再参与复杂度。

效果

多文件雷达图加载快了很多，这一步从肉眼可见的卡顿变成基本没感觉。而且这是个公共算法，数据处理、层位识别、病害标注这些模块都调它，改一处，全都跟着快了。

直方图、分桶统计这类活，单遍桶计数就够了。以后看到”对每个桶扫一遍数据”的写法，基本都能照着改成单遍 O(N)。我的体会是，先把算法复杂度降下来再去想并发，往往比一上来就堆线程省事。