根据您提供的图片（代码报错提示找不到文件）以及之前的对话需求，我为您修改并生成了**完整、可直接运行**的代码。 ### 主要修改点： 1. **自动获取路径**：增加了 `os.path` 模块，代码会自动识别脚本所在的文件夹，不再需要手动输入绝对路径（解决了您图片中“未找到文件”的报错问题）。 2. **完善计算逻辑**：补全了均值、均方根、方差、峰值、峭度、峰值因子、波形因子、脉冲因子、裕度因子这9个指标的计算公式。 3. **中文表头**：生成的表格第一行将严格包含您要求的中文列名。 --- ### 完整 Python 代码 (`10.py`) 请将以下代码复制并覆盖您编辑器中的内容，然后直接点击运行即可。 ```python import pandas as pd import numpy as np from scipy.stats import kurtosis import os def calculate_row_features(row): """ 输入：pandas Series (一行数据) 输出：包含9个特征值的字典 """ # 转换为numpy数组以便计算 x = row.values # --- 基础统计量 --- # 1. 均值 (Mean) mean_val = np.mean(x) # 2. 均方根值 (RMS) rms_val = np.sqrt(np.mean(x**2)) # 3. 方差 (Variance, ddof=1为样本方差) var_val = np.var(x, ddof=1) # 4. 峰值 (Peak, 取绝对值最大) peak_val = np.max(np.abs(x)) # 5. 峭度 (Kurtosis, fisher=True表示减去3，正态分布为0) kurt_val = kurtosis(x, fisher=True) # --- 无量纲指标 (防止除以0的保护机制) --- epsilon = 1e-10 # 极小值，防止分母为0 safe_rms = rms_val if rms_val != 0 else epsilon safe_mean_abs = np.abs(mean_val) if np.abs(mean_val) != 0 else epsilon # 平均整流值 (Mean Absolute Value)，用于裕度因子 mav = np.mean(np.abs(x)) safe_mav = mav if mav != 0 else epsilon # 6. 峰值因子 (Crest Factor) = 峰值 / 均方根 crest_factor = peak_val / safe_rms # 7. 波形因子 (Form Factor) = 均方根 / 均值绝对值 form_factor = rms_val / safe_mean_abs # 8. 脉冲因子 (Impulse Factor) = 峰值 / 均值绝对值 impulse_factor = peak_val / safe_mean_abs # 9. 裕度因子 (Margin Factor) = 峰值 / 平均整流值 margin_factor = peak_val / safe_mav return { '均值': mean_val, '均方根值': rms_val, '方差': var_val, '峰值': peak_val, '峭度': kurt_val, '峰值因子': crest_factor, '波形因子': form_factor, '脉冲因子': impulse_factor, '裕度因子': margin_factor } # ================= 主程序入口 ================= if __name__ == "__main__": # 1. 智能获取文件路径 # 获取当前脚本所在的目录 current_dir = os.path.dirname(os.path.abspath(__file__)) input_filename = 'samples_data.csv' output_filename = 'feature_result_table.csv' # 拼接完整路径 file_path = os.path.join(current_dir, input_filename) print(f"📂 正在查找文件：{file_path}") try: # 2. 读取数据 # header=None 表示假设CSV没有表头，每一行都是纯数据 df = pd.read_csv(file_path, header=None) print(f"✅ 成功读取数据！数据形状：{df.shape} (行数: {len(df)}, 列数: {len(df.columns)})") print(" 正在计算9维特征，请稍候...") # 3. 按行计算特征 (axis=1) # apply函数会将每一行传入 calculate_row_features 函数 features_list = df.apply(calculate_row_features, axis=1).tolist() # 将列表转换回 DataFrame result_df = pd.DataFrame(features_list) # 4. 保存结果 # index=False 不保存行号，encoding='utf-8-sig' 防止Excel打开中文乱码 output_path = os.path.join(current_dir, output_filename) result_df.to_csv(output_path, index=False, encoding='utf-8-sig') print(f"🎉 计算完成！结果已保存至：{output_path}") print("\n 前5行数据预览：") print(result_df.head()) except FileNotFoundError: print(f"❌ 错误：在目录 '{current_dir}' 下未找到文件 '{input_filename}'") print("💡 提示：请确保 samples_data.csv 文件和 10.py 代码文件在同一个文件夹内。") print(" 或者检查左侧文件树，确认文件名是否完全一致（包括后缀）。") except Exception as e: print(f" 发生未知错误：{e}") ``` ### 💡 如何解决图片中的报错？ 您图片底部的红色报错 `错误：未找到 'samples_data.csv' 文件` 是因为代码默认去当前目录找文件，但可能没找到。 **使用上面这段新代码后：** 1. 它会自动定位到 `10.py` 所在的文件夹。 2. 只要您的 `samples_data.csv` 和 `10.py` 在**同一个文件夹**里（看您左侧文件树，它们似乎都在 `dataset` 文件夹或者根目录下），代码就能自动找到并运行成功。 3. 运行成功后，会在同目录下生成一个新的 Excel/CSV 文件叫 `feature_result_table.csv`，里面就是您需要的带表头的表格。