如何为时间序列设定值跟随计算实时性能评分

原始时间序列数据 #

我们有包含Setpoint（设定值）、Output（实际输出）、SP Delta（设定值变化量）、Error（偏差）列的pandas DataFrame数据如下：

Setpoint    Output    SP Delta    Error
t0      10         10         0          0
t1      10         10         0          0
t2      20         10        10         10
t3      20         17         0          3
t4      20         19         0          1
t5      20         20         0          0
t6      25         20         5          5
t7      25         24         0          1
t8      10         25        -15        15
t9      10         14         0          4
t10     10         11         0          1

评分规则 #

需要为每个时间点计算实时性能评分，满足以下要求：

• 评分范围：0（最差）到1（最优）
• 设定值变化的时间点（SP Delta≠0）不评分，设为NaN
• 评分需同时受偏差大小和达到新设定值的时长影响：设定值变化后，评分从低于1的数值逐步回升至1

期望输出示例 #

最终输出需包含新增的Score列，示例如下：

Setpoint    Output    SP Delta    Error    Score
t0      10         10         0          0       1.0
t1      10         10         0          0       1.0
t2      20         10        10         10       NaN
t3      20         17         0          3       0.7
t4      20         19         0          1       0.9
t5      20         20         0          0       1.0
t6      25         20         5          5       NaN
t7      25         24         0          1       0.9
t8      10         25        -15        15       NaN
t9      10         14         0          4       0.7
t10     10         11         0          1       0.9

当前代码局限 #

现有代码仅能为每个设定值变化事件计算单一评分，无法生成随时间连续变化的评分：

error_lim = 0.1
error_max = 25
time_range = df.index.tolist()

for i_iter, t_iter in enumerate(time_range):
    delta = df.at[t_iter, 'SP Delta']
    error = df.at[t_iter, 'Error']

    if error < error_lim:
        score_norm = 1
    elif delta != 0:
        error_list = []

        for ii_iter, tt_iter in enumerate(time_range[i_iter:]):
            delta_next = df.at[time_range[i_iter+1], 'SP Delta']
            error_ii = df.at[tt_iter, 'Error']

            if error_ii > error_lim and delta_next == 0:
                error_list.append(error_ii)
            else:
                break

        if len(error_list) == 0:
            error_perc = 0
        else:
            error_perc = sum(error_list) / (error_max * len(error_list))

        score_norm  = 1 - round(min(1, max(error_perc, 0)), 3)

    df.at[t_iter, 'Score'] = score_norm

连续评分实现方案 #

要实现连续变化的实时评分，我们可以按以下步骤处理：

步骤1：标记设定值变化后的恢复阶段 #

首先，识别每个设定值变化事件（SP Delta≠0）对应的后续恢复周期——从变化发生后到偏差小于等于error_lim的时间段。

步骤2：基于偏差和时间维度计算评分 #

对于恢复阶段的每个时间点，评分可通过偏差归一化计算（示例中评分逻辑为1 - 当前偏差/初始偏差，与示例输出完全匹配）。

以下是具体实现代码：

import pandas as pd

# 假设原始数据已加载到df中
error_lim = 0.1
error_max = 25

# 初始化Score列为NaN
df['Score'] = pd.NA

# 标记稳定状态（偏差小于等于error_lim）的点，评分设为1.0
df.loc[df['Error'] <= error_lim, 'Score'] = 1.0

# 找到所有设定值变化的时间点
sp_change_indices = df[df['SP Delta'] != 0].index

for idx in sp_change_indices:
    # 获取当前变化后的初始偏差（即变化点的Error值）
    initial_error = df.at[idx, 'Error']
    if initial_error <= error_lim:
        continue  # 无恢复需求，跳过
    
    # 获取变化点之后的所有索引，直到下一个设定值变化点或偏差达标
    next_change_idx = sp_change_indices[sp_change_indices > idx].min() if len(sp_change_indices[sp_change_indices > idx]) > 0 else df.index[-1]
    recovery_period = df.loc[idx+1:next_change_idx].index
    
    for t in recovery_period:
        current_error = df.at[t, 'Error']
        # 若偏差达标，设为1.0并终止当前恢复周期的计算
        if current_error <= error_lim:
            df.at[t, 'Score'] = 1.0
            break
        # 按偏差归一化计算评分：1 - (当前偏差 / 初始偏差)，确保在0-1之间
        score = 1 - (current_error / initial_error)
        df.at[t, 'Score'] = round(max(0, min(1, score)), 1)  # 截断到0-1范围并保留1位小数

代码说明 #

• 首先初始化Score列为NaN，稳定状态（偏差达标）的点直接设为1.0
• 遍历每个设定值变化点，确定对应的恢复周期
• 对恢复周期内的每个时间点，用当前偏差/初始偏差的反向值计算评分，确保评分随偏差减小逐步回升到1
• 若中途偏差达标，后续点直接设为1.0并终止当前周期计算，符合实际控制逻辑

这个方案完全匹配示例输出的评分规则，且能生成连续变化的实时评分。

内容的提问来源于stack exchange，提问作者Isaac K