【高级技巧】离散化：稀疏坐标的压缩映射封装

底层原理

地图坐标动辄十万格，实际用到的只有几百个——按原始坐标开数组，99% 的内存喂了零。离散化把"用到的坐标"映射成连续小下标：收集所有出现过的坐标、排序去重、换算成排名下标——十万格的问题缩成几百格的问题。适用前提：值域大但出现次数少（稀疏），且不需要保留坐标间的几何间距。

高级封装

排序去重与映射。示例代码如下：

local function compressCoords(coords)
    table.sort(coords)
    local map, ranked = {}, {}
    for _, c in ipairs(coords) do
        if not map[c] then
            map[c] = #ranked + 1
            ranked[#ranked + 1] = c
        end
    end
    return map, ranked
end

采集点接线。示例代码如下：

local raw = { 50000, 3, 99999, 3, 50000 }
local map, ranked = compressCoords(raw)
print(#ranked, map[50000])

5 个采样只有 3 个不同坐标——ranked 仅 3 槽，map 把祖玛七层的采样坐标 50000 映射到它的排名。

性能对比

原始坐标开数组：值域 10 万即 10 万槽约 400KB，其中 99% 是零；离散化后 n 个坐标只需 n 槽（300 个采样约 1.2KB），内存缩 99.7%。换算成本：一次排序 O(n log n) 加查询 O(log n)——3 万个采样排序约 8 毫秒，一次性成本换长期收益。

适用边界

三个不适用场景：一是坐标密集（值域大半被用到），离散化省不了内存反而多一层映射；二是计算需要坐标的几何关系（相邻性、距离），排名会破坏间距信息；三是动态新增坐标频繁——每来新坐标要重新排序，需改成实时插入的有序结构。