快捷導(dǎo)航

JS對(duì)象數(shù)組去重的3種方法示例及對(duì)比

更新時(shí)間：2021年07月15日 16:19:23 作者：光年之外_宇

這篇文章主要給大家介紹了關(guān)于JS對(duì)象數(shù)組去重的3種方法,三種方法分別包括使用filter和Map、使用reduce以及for循環(huán),文中每個(gè)方法都給出了示例代碼,需要的朋友可以參考下

一.去重前后數(shù)據(jù)對(duì)比

// 原數(shù)據(jù)是這樣的                   // 去重后數(shù)據(jù)是這樣的
[{                                [{
  "goodsId": "1",                    "goodsId": "1",
  "quota": 12,                       "quota": 12,
  "skuId": "1"                       "skuId": "1"
},                                 },
{                                  {
  "goodsId": "2",                    "goodsId": "2",
  "quota": 12,                       "quota": 12,
  "skuId": "2"                       "skuId": "2"
},                                 }]
{
  "goodsId": "1",
  "quota": 12,
  "skuId": "1"
}]

二.使用方法

使用filter和Map 🌟🌟🌟🌟🌟
使用reduce 🌟🌟🌟🌟
for循環(huán) 🌟🌟🌟

結(jié)論：filter和Reduce時(shí)間上差別不是太大，filter稍微更快一些，但是filter語(yǔ)法更簡(jiǎn)潔

1.使用filter和Map

代碼簡(jiǎn)潔，好用，4行代碼搞定，平均耗費(fèi)時(shí)間最短，五星推薦

function uniqueFunc(arr, uniId){
  const res = new Map();
  return arr.filter((item) => !res.has(item[uniId]) && res.set(item[uniId], 1));
}

2.使用reduce

代碼稍多，平均耗費(fèi)時(shí)間和第一不分伯仲，四星推薦

function uniqueFunc2(arr, uniId){
  let hash = {}
  return arr.reduce((accum,item) => {
    hash[item[uniId]] ? '' : hash[item[uniId]] = true && accum.push(item)
    return accum
  },[])
}

3.使用for循環(huán)

耗費(fèi)時(shí)間較一二稍多，但是耗費(fèi)時(shí)間平均，三星推薦

function uniqueFunc3(arr, uniId){
  let obj = {}
  let tempArr = []
  for(var i = 0; i<arr.length; i++){
    if(!obj[arr[i][uniId]]){
      tempArr.push(arr[i])
      obj[arr[i][uniId]] = true
    }
  }
  return tempArr
}

三.2400條數(shù)據(jù)，三種方法處理時(shí)間對(duì)比

測(cè)試次數(shù)	filter Map	reduce	for循環(huán)
1	0.139892578125 ms	0.19189453125 ms	0.2060546875 ms
2	0.12109375 ms	0.1279296875 ms	0.195068359375 ms
3	0.112060546875ms	0.11767578125 ms	0.174072265625 ms
4	0.10400390625 ms	0.1728515625 ms	0.18701171875 ms
5	0.10986328125 ms	0.12890625 ms	0.175048828125 ms
6	0.113037109375 ms	0.10791015625 ms	0.172119140625 ms
7	0.134033203125 ms	0.129150390625 ms	0.172119140625 ms