使用Pandas DataFrame匹配不同采样率的时间数据

核心思路 #

通过时间向下取整对齐，把0.1秒采样的飞行日志时间映射到最近的整秒，再与1秒采样的RSRP数据按整秒时间关联，实现批量填充。

具体实现（Python Pandas为例） #

假设你已有两个数据集：

• flight_log_df：飞行日志数据，含时间列（如timestamp）
• rsrp_df：RSRP数据，含整秒时间列（如rsrp_timestamp）和rsrp_value列

步骤1：统一时间格式 #

先将两个数据集的时间列转为datetime类型，确保匹配基础一致：

import pandas as pd

# 转换飞行日志时间
flight_log_df['timestamp'] = pd.to_datetime(flight_log_df['timestamp'])
# 转换RSRP时间
rsrp_df['rsrp_timestamp'] = pd.to_datetime(rsrp_df['rsrp_timestamp'])

步骤2：生成整秒匹配键 #

对飞行日志的时间向下取整到整秒，生成用于关联的时间键：

flight_log_df['second_aligned'] = flight_log_df['timestamp'].dt.floor('S')

步骤3：关联并填充RSRP值 #

方法1：字典映射（快速高效）

# 构建RSRP时间-值映射字典
rsrp_map = rsrp_df.set_index('rsrp_timestamp')['rsrp_value'].to_dict()
# 为飞行日志批量填充RSRP值
flight_log_df['rsrp_value'] = flight_log_df['second_aligned'].map(rsrp_map)

方法2：数据集合并（适合保留多字段场景）

merged_df = pd.merge(
    flight_log_df,
    rsrp_df,
    left_on='second_aligned',
    right_on='rsrp_timestamp',
    how='left'
)

常见异常处理 #

• 若RSRP数据存在某一秒缺失，填充结果会出现NaN，可按需补全：

  # 用前一秒的RSRP值填充缺失
  flight_log_df['rsrp_value'] = flight_log_df['rsrp_value'].fillna(method='ffill')
  # 或用后一秒值填充
  flight_log_df['rsrp_value'] = flight_log_df['rsrp_value'].fillna(method='bfill')
  

• 若时间是数值型时间戳（如毫秒/秒级），先转成datetime再处理：

  # 示例：毫秒级时间戳转datetime
  flight_log_df['timestamp'] = pd.to_datetime(flight_log_df['timestamp'], unit='ms')
  

内容的提问来源于stack exchange，提问作者Donovan