import pandas as pd import numpy as np def data_time_align(base_time, df): # 特判，如果输入的dataframe无数值，那么直接返回 if df.empty: return df # 创建一个新的递增的 simTime 序列，从 0 开始，步长为 0.01 new_sim_time_values = np.arange(0, base_time.max() + 0.01, 0.01) # 创建一个映射字典，将原始 simTime 值映射到新的 simTime 值 original_to_new_sim_time = {original: new_sim_time_values[i] for i, original in enumerate(base_time)} # 使用isin函数来过滤df，并筛选出simFrame大于0的数据 filtered_df = df[(df['simTime'].isin(base_time)) & (df['simFrame'] > 0)].reset_index(drop=True) # 使用映射字典来替换 filtered_df 中的 simTime 列 filtered_df['simTime'] = filtered_df['simTime'].map(original_to_new_sim_time) # 同步更新simFrame filtered_df['simFrame'] = (filtered_df['simTime'] * 100 + 1).round().astype(int) print("Alignment over.") return filtered_df # def data_time_align(base_time, df): # # 特判，如果输入的dataframe无数值，那么直接返回 # if df.empty: # return df # # # 使用isin函数来过滤df，并筛选出simFrame大于0的数据 # filtered_df = df[(df['simTime'].isin(base_time)) & (df['simFrame'] > 0)].reset_index(drop=True) # # # 创建一个新的递增的 simTime 序列，从 0 开始，步长为 0.01 # new_sim_time_values = np.arange(0, filtered_df['simTime'].max() + 0.01, 0.01) # # # 创建一个映射字典，将原始 simTime 值映射到新的 simTime 值 # original_sim_times = filtered_df['simTime'].unique() # 首先获取唯一的 simTime 值和它们的索引 # original_to_new_sim_time = {original: new_sim_time_values[i] for i, original in enumerate(original_sim_times)} # # # 使用映射字典来替换 filtered_df 中的 simTime 列 # filtered_df['simTime'] = filtered_df['simTime'].map(original_to_new_sim_time) # # # 同步更新simFrame # filtered_df['simFrame'] = (filtered_df['simTime'] * 100 + 1).round().astype(int) # print("Alignment over.") # # return filtered_df if __name__ == '__main__': df_ego1 = pd.read_csv('EgoState.csv') df_ego = df_ego1[(df_ego1['simFrame'] % 10 == 0) & (df_ego1['simFrame'] > 0)].copy() # 从df_ego中获取simTime的唯一值列表 base_time = df_ego['simTime'].unique() df_1 = pd.read_csv('DriverCtrl.csv') df_2 = pd.read_csv('LaneInfo.csv') # df_3 = pd.read_csv('VehState.csv') result_1 = data_time_align(base_time, df_1) result_2 = data_time_align(base_time, df_2) # result_3 = data_time_align(base_time, df_3) print(1) # # # 使用isin函数来过滤df_1, df_2, df_3，并筛选出simFrame大于0的数据 # filtered_df_1 = df_1[(df_1['simTime'].isin(base_time)) & (df_1['simFrame'] > 0)] # filtered_df_2 = df_2[(df_2['simTime'].isin(base_time)) & (df_2['simFrame'] > 0)] # filtered_df_3 = df_3[(df_3['simTime'].isin(base_time)) & (df_3['simFrame'] > 0)] # # filtered_df_1 = filtered_df_1.reset_index(drop=True) # filtered_df_2 = filtered_df_2.reset_index(drop=True) # filtered_df_3 = filtered_df_3.reset_index(drop=True) # # # 假设 filtered_df_1, filtered_df_2, filtered_df_3 已经是过滤后的 DataFrame # # # 创建一个新的递增的 simTime 序列，从 0 开始，步长为 0.01 # new_sim_time_values = np.arange(0, filtered_df_1['simTime'].max() + 0.01, 0.01) # # # 创建一个映射字典，将原始 simTime 值映射到新的 simTime 值 # # 首先获取唯一的 simTime 值和它们的索引 # original_sim_times = filtered_df_1['simTime'].unique() # original_to_new_sim_time = {original: new_sim_time_values[i] for i, original in enumerate(original_sim_times)} # # # 使用映射字典来替换 filtered_df_1 中的 simTime 列 # filtered_df_1['simTime'] = filtered_df_1['simTime'].map(original_to_new_sim_time) # # # 对于 simFrame，如果它也需要基于新的 simTime 重新赋值（例如，基于新的索引），可以这样做： # # filtered_df_1['simFrame'] = filtered_df_1.simTime * 100 # # filtered_df_1['simFrame'] = filtered_df_1.simFrame.astype() # filtered_df_1['simFrame'] = (filtered_df_1['simTime'] * 100 + 1).round().astype(int) # # # 对 filtered_df_2 和 filtered_df_3 做同样的处理 # # original_sim_times = filtered_df_2['simTime'].unique() # # original_to_new_sim_time = {original: new_sim_time_values[i] for i, original in enumerate(original_sim_times)} # filtered_df_2['simTime'] = filtered_df_2['simTime'].map(original_to_new_sim_time) # # filtered_df_2['simFrame'] = filtered_df_2.simTime * 100 # filtered_df_2['simFrame'] = (filtered_df_2['simTime'] * 100 + 1).round().astype(int) # # # original_sim_times = filtered_df_3['simTime'].unique() # # original_to_new_sim_time = {original: new_sim_time_values[i] for i, original in enumerate(original_sim_times)} # filtered_df_3['simTime'] = filtered_df_3['simTime'].map(original_to_new_sim_time) # # filtered_df_3['simFrame'] = filtered_df_3.simTime * 100 # filtered_df_3['simFrame'] = (filtered_df_3['simTime'] * 100 + 1).round().astype(int) # # # 现在 filtered_df_1, filtered_df_2, filtered_df_3 中的 simTime 列已经被重新赋值，并且每个原始 simTime 值都映射到了新的唯一 simTime 值 # # simFrame 列也已经被重新赋值为对应的行索引