以下是基于您提供的需求逐步实现Python代码的功能描述及其实现思路： --- ### **1. 数据读取与处理** #### （1）从文本文件中读取健康数据 我们使用`numpy`库中的`np.loadtxt()`函数来加载包含多维数据（时间、心率、血压、血糖）的`.txt`文件。 假设该文件的内容格式如下： ``` 时间, 心率, 血压, 血糖 2023-09-01 08:00,75,120,6.1 2023-09-01 09:00,80,125,6.3 ... ``` 代码实现如下： ```python import numpy as np filename = 'health_data.txt' data = np.loadtxt(filename, delimiter=',', skiprows=1, encoding='utf-8') # 将各列分别赋值给变量 time, heart_rate, blood_pressure, blood_sugar time = data[:, 0] # 时间维度 (注意这里可能是字符串型需单独解析) heart_rate = data[:, 1] # 心率 blood_pressure = data[:, 2] # 血压 blood_sugar = data[:, 3] # 血糖 ``` > 注：如果“时间”列为非数字类型，需要额外步骤将其转换为合适的时间戳格式。 --- ### **2. 数据统计分析** #### （1）定义 `cal_stat` 函数 此函数接收一列数据并返回其均值、标准差以及中位数，同时保留两位小数。 ```python def cal_stat(data): mean_val = round(np.mean(data), 2) # 均值 std_dev = round(np.std(data), 2) # 标准差 median_val = round(np.median(data), 2) # 中位数 return mean_val, std_dev, median_val ``` #### （2）计算统计数据并将结果保存至文件 调用上述函数对每项指标进行统计，并将结果写入新文件`health_summary.txt`： ```python with open('health_summary.txt', 'w', encoding='utf-8') as f: hr_mean, hr_std, hr_median = cal_stat(heart_rate) bp_mean, bp_std, bp_median = cal_stat(blood_pressure) bs_mean, bs_std, bs_median = cal_stat(blood_sugar) f.write(f"心率均值为：{hr_mean} bpm，标准差为：{hr_std} bpm，中位数为：{hr_median} bpm\n") f.write(f"血压均值为：{bp_mean} mmHg，标准差为：{bp_std} mmHg，中位数为：{bp_median} mmHg\n") f.write(f"血糖均值为：{bs_mean} mmol/L，标准差为：{bs_std} mmol/L，中位数为：{bs_median} mmol/L\n") ``` --- ### **3. 数据筛选与排序** #### （1）筛选心率大于100的数据 利用布尔索引来提取符合条件的心率记录及其对应的时间和其他信息： ```python high_hr_indices = heart_rate > 100 filtered_high_hr = data[high_hr_indices] print("心率大于100的数据:") for row in filtered_high_hr: print(row) ``` #### （2）按血压升序排列 通过`argsort()`获取血压从小到大的索引顺序并重组数组： ```python sorted_bp_indices = np.argsort(blood_pressure) sorted_by_bp = data[sorted_bp_indices] print("\n按血压升序排列后的数据:") print(sorted_by_bp) ``` --- ### **4. 绘制趋势图** 借助`matplotlib`绘制三组数据随时间的变化曲线： ```python import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['FangSong'] # 创建图表 fig, ax = plt.subplots(figsize=(10, 6)) ax.plot(time, heart_rate, label="心率", marker='o') ax.plot(time, blood_pressure, label="血压", linestyle="--", color="orange", marker='s') ax.plot(time, blood_sugar, label="血糖", linestyle="-.", color="green", marker='^') # 设置坐标轴标签等属性 ax.set_title("健康数据变化趋势图") ax.set_xlabel("时间") ax.set_ylabel("数值") # 添加图例和网格线 ax.legend() ax.grid(True) # 显示图像 plt.show() ``` --- **总结**：以上实现了包括数据读取、统计分析、筛选排序以及可视化在内的完整流程。您可以根据实际需求调整细节部分如路径名称或单位换算等内容。