如何将CSV文件中的上下深度区间转换为固定采样率的单列数据

我来帮你搞定这个需求！你想要把CSV里的数值区间（Top到Bottom）按0.5的步长展开成连续序列，同时填充对应Value，空缺位置设为Nan对吧？先说说你现有代码的问题：你把Value设为索引后执行stack操作，这只是把原数据的列转成行，完全没生成我们需要的连续数值序列，所以达不到目标。

下面是正确的实现步骤和代码：

步骤1：读取原始数据 #

首先正确读取CSV文件，注意列名的大小写（原CSV里是Value，不是小写的value）：

import pandas as pd

# 读取你的CSV文件
df = pd.read_csv('D:\\Range.csv')

步骤2：生成完整的Top序列 #

我们需要生成从最小的Top值到最大的Bottom值，步长为0.5的所有数值：

# 获取数值范围的边界
min_top = df['Top'].min()
max_bottom = df['Bottom'].max()

# 生成完整的Top序列，步长0.5
full_top = pd.DataFrame({'Top': pd.arange(min_top, max_bottom + 0.5, 0.5)})

步骤3：匹配每个数值对应的Value #

接下来我们要判断每个生成的Top值属于哪个原始区间，然后填充对应的Value，没有匹配到的就设为Nan：

# 定义一个函数，用来匹配每个Top值对应的Value
def match_value(row):
    # 找到满足「原始Top ≤ 当前Top ≤ 原始Bottom」的行
    matched_row = df[(df['Top'] <= row['Top']) & (df['Bottom'] >= row['Top'])]
    if not matched_row.empty:
        return matched_row['Value'].iloc[0]
    else:
        return pd.NA  # 如果你用的是旧版pandas，可以换成np.nan

# 把函数应用到full_top的每一行
full_top['Value'] = full_top.apply(match_value, axis=1)

步骤4：查看结果 #

现在打印full_top就能得到你想要的输出了：

print(full_top)

更高效的实现方式（用IntervalIndex） #

如果你的数据量比较大，上面的apply方法可能有点慢，我们可以用pandas的IntervalIndex来快速匹配区间：

# 为原始数据创建区间索引
df['interval'] = pd.IntervalIndex.from_arrays(df['Top'], df['Bottom'], closed='both')

# 快速匹配每个Top值对应的Value
full_top['Value'] = full_top['Top'].apply(
    lambda x: df[df['interval'].contains(x)]['Value'].iloc[0] if any(df['interval'].contains(x)) else pd.NA
)

运行这段代码后，你就能得到和预期完全一致的输出啦！

内容的提问来源于stack exchange，提问作者Mohamed Hassan