细节是什么？边界条件就是细节。请做一个会解方程的程序员！
作者：@nixzhu
因为一个开发中 WATCH App，我需要一个图表生成工具，即，它可以根据输入的一串形如 (String: Double) 的数据（也就是一串 name 和 value，例如 [("Hello": 50), ("World": 150), ("NIX ZHU": 100)]），在给定的图片尺寸和 name 字体时，生成一张柱状图。
其中，name 的最大长度很可能超过通过简单计算的 barWidth（即，barWidth = fullWidth / count），所以默认情况下将 name 旋转一个角度放置，使各名字不互相覆盖。如图所示：
图中的红色是我要求得的变量，以便根据它们“画出”柱状图。让我来解释一下这里遇到的困难。乍一看，bestNameWidth? 可以根据 “NIX ZHU” 的宽度 * cos(angle) 来得到，似乎算不上变量。但图中只是示意，我要特别说明一下。例如第二个 name 可能会很长，比如叫做 “WORLD VERY VERY LARGE...”，那么它就会超过 “NIX ZHU” 的右边界。所以 bestNameWidth? 的定义如下（带问号的为变量）：
(1) bestNameWidth? = index in 0..<count: max(nameWidth[index] * cos(angle) - ((count-1) - index)*barWidth?)
什么意思？很简单，就是所有 name 中，根据每个 name 的 index，也就是位置，那 nameWidth * cos(angle) 就是它的实际宽度，再减去它所处位置相关的那么多的 barWidth? ，我们就得到它实际“超出”最后一个 bar 右边界的距离。当然，在本图中，只有最后一个超出而已。但如上面所说，在实际情况里计算下来，很可能中间某些 name 最终“超出”的距离大于最后一个 name 超出的距离，所以我们要取 max 。
我们共有三个变量，所以还需要两个方程，很容易有：
(2) leftMargin barWidth? * count rightMargin? = fullWidth
(3) rightMargin? = max(bestNameWidth? - barWidth? * 0.5 minRightMargin, minRightMargin)
方程 (2) 很好理解。方程 (3) 是说我们至少要保证 rightMargin? 有 minRightMargin 那么大，因为很可能 bestNameWidth? 并没有超过 barWidth? 的一半，例如都是单个字符的 Name，请想象一下。
三个方程解三个未知数，看起来并不难，那就先来约化。
把 (1) 带入 (3)，有：
(4) rightMargin? = max( index in 0..<count: max(nameWidth[index] * cos(angle) minRightMargin - ((count-1) - index)*barWidth?) - barWidth? * 0.5, minRightMargin)
根据 (2) 有：
(5) barWidth? ＝ (fullWidth - leftMargin - rightMargin?) / count, 再代入 (4)，得到：
(6) max( index in 0..<count: max(nameWidth[index] * cos(angle) - ((count-1) - index) * (fullWidth - leftMargin - rightMargin?) / count ) - (fullWidth - leftMargin - rightMargin?) / count * 0.5, minRightMargin) - rightMargin? = 0
在方程 (6) 中，只有一个变量 rightMargin? 了（别被它的外表吓着了），我们只需要解出它即可。但是这个方程因为有循环求最大值等，太繁琐了，反正最后我是不能将 rightMargin? 移项到一边。
似乎陷入困境了，怎么办呢？
在工程中，我们并不需要精确解，我们只需要足够近似的解。假设最好的 rightMargin? 的值为 n，那我们只需要一个 m 使得 abs(m - n) 足够小，例如小于 0.1 ，这比 iPhone 上一个像素要窄得多，足够了。而求近似解，自然该“牛顿迭代法”出场了。
我们将方程 (6) 看成是函数
f(rightMargin?) = max( index in 0..<count: max(nameWidth[index] * cos(angle) - ((count-1) - index) * (fullWidth - leftMargin - rightMargin?) / count ) - (fullWidth - leftMargin - rightMargin?) / count * 0.5, minRightMargin) - rightMargin?
的根，即求取 f(rightMargin?) = 0 时的 rightMargin?。
根据牛顿迭代法，我们先猜测一个 rightMargin?，例如 1，然后由公式：
x_(n 1) = x_(n) - f(x_(n)) / f'(x_(n))，其中 f' 为 f 的导数，x_(n) 为 第 n 个 rightMargin?
我们可以得出一个更好的 rightMargin?，它更加接近最终解。最后，如果 x_(n 1) 与 x_(n) 之差的绝对值小于 0.1 ，我们就认为已找到合适的 rightMargin? 了。关键代码如下：
var currentTryRightMargin: CGFloat = 1
var nextTryRightMargin: CGFloat = 0
while true {
var currentBarWidth = (size.width - barLeftMargin - currentTryRightMargin) / CGFloat(nameWidths.count)
func nMax() -> CGFloat {
var _max: CGFloat = 0
for i in 0..<nameWidths.count {
let newValue = nameWidths[i] * ratio minBarRightMargin - CGFloat((nameWidths.count - 1) - i) * currentBarWidth
if newValue > _max {
_max = newValue
}
}
return _max
}
let fN = max(nMax() - currentBarWidth * 0.5, minBarRightMargin) - currentTryRightMargin
let fpN = 1 / CGFloat(nameWidths.count) * 0.5 - 1
nextTryRightMargin = currentTryRightMargin - fN / fpN
if abs(nextTryRightMargin - currentTryRightMargin) < 0.01 {
break
}
currentTryRightMargin = nextTryRightMargin
}
var barRightMargin = currentTryRightMargin其中 fpN 是 f 的导数，它是个常量且不为0，那么牛顿迭代法将具有平方收敛的性能，因此可以快速逼近最优解。
注意 nMax() 是计算方程 (6) 中里面的 max 的，currentBarWidth 其实就是方程 (5)。
最后我们有了一个足够近似的 barRightMargin ，再计算出其他两个变量是分分钟的事情，不再赘述。实际效果如下：
我打算根据上面的工作做出一个小巧的图表图片库，专门用于 WATCH。目前已有代码放在 https://github.com/nixzhu/AdaptiveChartDemo ，可以画出柱状图和折线图，待增添更多样式。
欢迎转载，但请一定注明出处！ https://github.com/nixzhu/dev-blog