ES-Toolkit 排序功能优化:统一 sortBy 和 orderBy 的实现
2025-05-28 12:56:24作者:幸俭卉
在 JavaScript 数据操作库 ES-Toolkit 中,排序功能是开发者常用的工具之一。最近,该项目针对排序功能进行了一系列重要的优化和改进,主要涉及 sortBy 和 orderBy 两个核心函数的统一实现。
背景与问题分析
ES-Toolkit 原本提供了两个相似的排序函数:sortBy 和 orderBy。这两个函数的主要区别在于:
sortBy支持自定义键函数(key function),但只能进行升序排序orderBy支持指定升序或降序,但不支持自定义键函数
这种不一致性导致了几个明显的问题:
- 功能重复:两个函数核心逻辑相似,却分开实现
- 功能缺失:
orderBy缺少自定义键函数支持 - 兼容性问题:与 lodash 的
orderBy行为不一致
解决方案设计
经过社区讨论,最终确定了以下优化方案:
- 增强
orderBy功能:使其支持自定义键函数,与sortBy保持一致 - 重构实现方式:将
sortBy改为基于orderBy的轻量级封装 - 保持 API 兼容:不改变现有函数的调用方式,只优化内部实现
新的实现方式使得代码更加简洁且易于维护。具体来说,sortBy 现在可以简单地实现为:
export function sortBy<T extends object>(arr: T[], criteria: Array<((item: T) => unknown) | keyof T>): T[] {
return orderBy(arr, criteria, ['asc']);
}
技术实现细节
在底层实现上,优化后的排序功能需要考虑以下几个关键点:
- 类型处理:同时支持属性名和自定义函数作为排序依据
- 多条件排序:处理多个排序条件和对应的排序方向
- 性能优化:避免不必要的计算和内存分配
新的 orderBy 实现需要能够处理以下各种调用方式:
// 按属性名排序
orderBy(data, 'value', 'desc');
// 按自定义函数排序
orderBy(data, x => x.value.toString(), 'asc');
// 多条件排序
orderBy(data, ['name', 'age'], ['asc', 'desc']);
开发者收益
这次优化为开发者带来了以下好处:
- 功能一致性:现在
orderBy和sortBy都支持相同的键函数功能 - 代码复用:减少了重复代码,降低了维护成本
- 更好的兼容性:与 lodash 的行为更加接近,便于迁移
- 更灵活的排序:可以同时使用自定义键函数和指定排序方向
最佳实践建议
基于新的实现,我们推荐以下使用方式:
- 当只需要简单升序排序时,使用
sortBy更为简洁 - 当需要降序排序或复杂排序条件时,使用
orderBy - 对于需要特殊处理的排序键,使用自定义函数:
// 将数值转换为字符串后再排序
orderBy(data, x => x.value.toString(), 'desc');
总结
ES-Toolkit 通过统一 sortBy 和 orderBy 的实现,不仅解决了功能不一致的问题,还提高了代码的可维护性和开发者体验。这种优化体现了优秀开源项目持续改进的精神,也为开发者提供了更强大、更一致的排序工具。
登录后查看全文
热门项目推荐
相关项目推荐
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00
最新内容推荐
IEC61850建模工具及示例资源:智能电网自动化配置的完整指南 海康威视DS-7800N-K1固件升级包全面解析:提升安防设备性能的关键资源 2022美赛A题优秀论文深度解析:自行车功率分配建模的成功方法 SteamVR 1.2.3 Unity插件:兼容Unity 2019及更低版本的VR开发终极解决方案 PhysioNet医学研究数据库:临床数据分析与生物信号处理的权威资源指南 Photoshop作业资源文件下载指南:全面提升设计学习效率的必备素材库 海能达HP680CPS-V2.0.01.004chs写频软件:专业对讲机配置管理利器 咖啡豆识别数据集:AI目标检测在咖啡质量控制中的革命性应用 TJSONObject完整解析教程:Delphi开发者必备的JSON处理指南 Windows Server 2016 .NET Framework 3.5 SXS文件下载与安装完整指南
项目优选
收起
deepin linux kernel
C
24
7
Ascend Extension for PyTorch
Python
185
196
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
480
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
276
97
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
380
3.44 K
暂无简介
Dart
623
140
React Native鸿蒙化仓库
JavaScript
242
315
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
648
265
openGauss kernel ~ openGauss is an open source relational database management system
C++
157
210