在Python中按每秒时间段筛选运动数据保留最大位置值

核心实现方案 #

通过秒级时间分组，提取每组内位置最大值对应的原始数据行，同时保留时间与位置的对应关系，确保结果按时间顺序排列，完美适配阻尼指数拟合需求。

具体操作步骤（基于Pandas） #

假设你的数据已整理为包含time（浮点型秒数）和position列的DataFrame：

1. 生成秒级分组标识
   将时间转为整数作为分组键（正数场景下，astype(int)和numpy.floor()效果一致，直接截断小数即可）：

   import pandas as pd
   import numpy as np
   
   # 替换为你的真实数据
   data = pd.DataFrame({
       'time': [0.2, 0.5, 0.8, 1.3, 1.7, 2.1, 2.6, 3.2],
       'position': [5.2, 5.8, 5.5, 4.9, 5.1, 4.5, 4.7, 4.2]
   })
   
   # 添加秒级分组列
   data['second_group'] = data['time'].astype(int)
   

2. 提取每组位置最大值的原始数据
   用idxmax()定位每组中位置最大值的索引，再通过索引提取原数据行，确保保留对应的原始时间而非整数时间：

   # 获取每组位置最大值的行索引
   max_pos_indices = data.groupby('second_group')['position'].idxmax()
   # 筛选目标数据并删除分组列
   filtered_data = data.loc[max_pos_indices].drop('second_group', axis=1)
   

3. 确保时间顺序
   按时间列排序（分组后默认按组顺序，此步骤为保险操作）：

   filtered_data = filtered_data.sort_values('time').reset_index(drop=True)
   

处理后结果示例 #

后续阻尼指数拟合（可选） #

用scipy拟合指数衰减曲线（适配弹簧-质量系统阻尼模型）：

from scipy.optimize import curve_fit

# 定义阻尼振动的指数衰减函数
def damping_curve(t, A, beta, C):
    return A * np.exp(-beta * t) + C

# 拟合参数，popt返回拟合得到的A、beta（阻尼系数）、C
popt, pcov = curve_fit(damping_curve, filtered_data['time'], filtered_data['position'])

内容的提问来源于stack exchange，提问作者Elaina Jeansonne