根据您提供的代码截图和附件一的数据特征（时间间隔为0.25秒，列名为`time`, `X坐标(m)`, `Y坐标(m)`），原代码存在几个关键问题需要修改才能正确运行： 1. **频率错误**：原代码使用 `freq='10T'`（10分钟），而您的数据是 **0.25秒** 一个点。 2. **逻辑冗余**：原代码将同一个文件读了两次并分别处理，通常“时间对齐”是指将两个不同采样率或不同时间长度的数据对齐到同一个时间轴上。如果您只有一个文件（附件一），通常是将其重采样为固定频率（如每秒或每0.25秒）并填充缺失值。 3. **索引设置**：原代码在函数内修改了 `df2` 的索引，但在主程序中读取 `df1` 后没有设置索引，导致 `df1.index.min()` 会报错（因为此时 index 是默认的 0, 1, 2... 而不是时间）。 4. **编码问题**：附件一看起来是标准的 CSV，通常不需要 `encoding="gbk"`，除非文件包含特殊的中文字符且保存格式为 GBK。为了通用性，建议先尝试默认编码或 `utf-8`。 以下是**修改后的完整代码**。这段代码将读取附件一，以 **0.25秒** 为基准生成连续的时间轴，并将数据对齐（缺失的时间点填充为 NaN），最后保存结果。 ### 修改后的 Python 代码 ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt def align_time_data(df_source, freq='0.25S'): """ 将数据框按照指定的时间频率进行对齐和重采样。 参数: df_source: 原始数据框，必须包含 'time' 列 freq: 目标时间频率，默认为 '0.25S' (0.25秒) 返回: df_aligned: 对齐后的数据框 """ # 1. 确保时间列是 datetime 类型 (如果读取时未自动转换) if not pd.api.types.is_datetime64_any_dtype(df_source['time']): df_source['time'] = pd.to_datetime(df_source['time'], unit='s') # 假设输入是秒级时间戳 # 2. 将时间列设置为索引 df_source.set_index('time', inplace=True) # 3. 删除重复的时间戳 (如果有) df_source = df_source[~df_source.index.duplicated()] # 4. 生成新的连续时间索引 start_time = df_source.index.min() end_time = df_source.index.max() # 生成从开始到结束，步长为 freq 的时间序列 # 注意：pd.date_range 生成的时间可能比原数据多，用于填补空缺 full_time_index = pd.date_range(start=start_time, end=end_time, freq=freq) # 5. 重新索引 (Reindex) # 这会将数据对齐到 full_time_index。 # 如果原数据在某时刻缺失，该位置将填充为 NaN。 df_aligned = df_source.reindex(full_time_index, fill_value=np.nan) # 恢复 'time' 列为普通列，方便查看 df_aligned.reset_index(inplace=True) df_aligned.rename(columns={'index': 'time'}, inplace=True) return df_aligned # ================= 主程序部分 ================= # 1. 读取数据 # 请将 'attachment1.csv' 替换为您实际保存的文件路径 # 如果文件包含中文且打开乱码，尝试添加 encoding='gbk' 或 'utf-8-sig' file_path = 'attachment1.csv' try: # 尝试读取，假设时间列名为 'time' df_raw = pd.read_csv(file_path) # 检查列名，如果列名不是 'time'，请在这里修改，例如 df_raw.rename(columns={'时间': 'time'}, inplace=True) print(f"读取成功，前5行数据:\n{df_raw.head()}") # 2. 执行时间对齐 # 根据您的数据，频率设为 '0.25S' (0.25秒) # 如果您想对齐成每秒一个点，改为 '1S' df_result = align_time_data(df_raw, freq='0.25S') # 3. 打印结果统计 print(f"\n原始数据行数: {len(df_raw)}") print(f"对齐后数据行数: {len(df_result)}") print(f"时间范围: {df_result['time'].min()} 到 {df_result['time'].max()}") # 查看是否有缺失值被填充 missing_count = df_result[['X坐标(m)', 'Y坐标(m)']].isnull().sum() print(f"填充的缺失值数量:\n{missing_count}") # 4. 保存结果 output_file = 'aligned_attachment1.csv' df_result.to_csv(output_file, index=False, encoding='utf-8-sig') # 使用 utf-8-sig 防止 Excel 打开中文乱码 print(f"\n对齐后的数据已保存至: {output_file}") # (可选) 简单绘图验证 plt.figure(figsize=(10, 5)) plt.plot(df_result['time'], df_result['X坐标(m)'], label='X Coordinate') plt.plot(df_result['time'], df_result['Y坐标(m)'], label='Y Coordinate') plt.title('Aligned Data Visualization') plt.xlabel('Time') plt.ylabel('Value') plt.legend() plt.grid(True) plt.show() except FileNotFoundError: print(f"错误: 找不到文件 '{file_path}'，请确认文件路径是否正确。") except Exception as e: print(f"发生错误: {e}") ``` ### 主要修改点说明： 1. **频率调整 (`freq='0.25S'`)**： * 原代码是 `10T` (10分钟)，这对于秒级数据太慢了，会导致大量数据丢失或只保留头尾。 * 修改为 `0.25S`，匹配您附件一中 `221.0, 221.25, 221.5...` 的间隔。 2. **函数逻辑优化**： * 原代码函数 `generate_minute_data` 依赖外部传入的 `df1` 来确定时间范围，但内部又强行修改 `df2` 的索引，逻辑比较混乱。 * 新函数 `align_time_data` 是自包含的：它接收一个 DataFrame，自动提取其最小/最大时间，生成连续时间轴，然后对该 DataFrame 进行 `reindex`（重索引）。 3. **时间列处理**： * 增加了 `pd.to_datetime(..., unit='s')` 的处理逻辑。如果您的 CSV 中时间是数字（如 221.0），Pandas 读入后是 float 类型，无法直接作为时间索引，必须转换为 datetime 对象。 4. **输出优化**： * 保存时使用了 `encoding='utf-8-sig'`，这是为了防止用 Excel 打开生成的 CSV 时，中文列名（如 `X坐标(m)`）出现乱码。 * 增加了简单的绘图代码，运行后可以直接看到对齐后的曲线，方便验证。 ### 如何使用： 1. 将附件一的内容保存为 `attachment1.csv`，放在代码同一目录下（或者修改代码中的 `file_path`）。 2. 运行上述代码。 3. 程序会生成一个名为 `aligned_attachment1.csv` 的文件，其中的时间列将是连续的（如果原数据中间有断点，对应的 X/Y 坐标会显示为空/NaN）。