基于不同采样频率的x(t)与y(t)计算x(y)的算法问询

要实现x(y)曲线的绘制，核心是解决不同设备采样时间不匹配的问题——因为x和y的测量值对应不同的Unix时间戳，无法直接一一对应。下面是具体的算法步骤和实现思路：

核心思路 #

要得到x与y的对应关系，必须先将两类数据对齐到同一时间基准，再通过插值计算出对应时间点的缺失值，最终整理成(y值, x值)的点对用于绘图。

详细步骤 #

1. 数据预处理：排序与拆分 #

首先确保两类数据都按时间戳从小到大排序（避免原始数据乱序的情况），然后将每个数据列表拆分为数值数组和时间戳数组：

• 对x数据：拆分得到x_values（测量值）和x_timestamps（对应Unix时间戳）
• 对y数据：拆分得到y_values和y_timestamps

2. 时间对齐与插值 #

选择一个时间基准（通常以某一类数据的时间戳为基准，或者取两者的时间范围交集），对另一类数据进行插值，得到基准时间点上的对应值：

• 基准选择方案1：以y的时间戳为基准
  遍历每个y的时间戳t_y，在x的时间戳中找到相邻的两个时间点t_x1和t_x2（满足t_x1 ≤ t_y ≤ t_x2），通过插值计算t_y时刻对应的x值，最终得到(y_value, x_interp_value)的点对。
• 基准选择方案2：覆盖完整时间范围
  提取x和y时间戳的并集，分别对x和y进行插值，得到所有共同时间点上的x和y值，再筛选出有效的(y, x)点对（避免时间超出原始数据范围的无效外插）。

3. 异常处理 #

对于超出对方数据时间范围的点（比如y的时间早于x的最早采样时间，或晚于x的最晚采样时间），建议直接丢弃——外插（对超出范围的时间点估算值）容易引入误差，除非你能确认数据的变化规律适合外插。

插值方法选择 #

• 线性插值：适合数据平滑、连续变化的场景，计算简单且结果符合趋势。
• 最近邻插值：适合离散、突变的数据（比如开关量），避免插值出不符合实际的中间值。

代码示例（Python） #

以下是基于线性插值的实现，以y的时间戳为基准：

import numpy as np
import matplotlib.pyplot as plt

# 示例输入数据
x = [(2.2, 1689178112), (2.3, 1689178113), (2.4, 1689178115)]
y = [(1.0, 1689178100), (2.0, 1689178200), (3.0, 1689178400)]

# 1. 按时间戳排序
x_sorted = sorted(x, key=lambda item: item[1])
y_sorted = sorted(y, key=lambda item: item[1])

# 2. 拆分数值和时间戳
x_vals, x_ts = zip(*x_sorted)
y_vals, y_ts = zip(*y_sorted)

# 3. 过滤掉y中超出x时间范围的点
x_min_ts, x_max_ts = min(x_ts), max(x_ts)
valid_indices = [i for i, t in enumerate(y_ts) if x_min_ts <= t <= x_max_ts]
valid_y_vals = [y_vals[i] for i in valid_indices]
valid_y_ts = [y_ts[i] for i in valid_indices]

# 4. 线性插值得到对应x值
interp_x_vals = np.interp(valid_y_ts, x_ts, x_vals)

# 5. 绘制x(y)曲线
plt.plot(valid_y_vals, interp_x_vals, '-o')
plt.xlabel('y')
plt.ylabel('x')
plt.title('x(y) Curve')
plt.grid(True)
plt.show()

内容的提问来源于stack exchange，提问作者Hubert Bossy