使用Pandas计算同事件双时间序列的时间延迟差值

核心逻辑 #

两个序列记录同一事件，数值特征一致，因此可以通过匹配对应事件的时间点来计算序列间的延迟差。

步骤1：提取事件时间点 #

首先从两个DataFrame中提取事件发生的关键时间点（比如z值发生突变的时刻，可根据实际事件特征调整判断条件）：

# 示例：提取z从0变为非0的事件起始时间
df1_events = df1[df1['z'].diff() > 0].index
df2_events = df2[df2['z'].diff() > 0].index

步骤2：匹配对应事件 #

根据事件数量一致性选择匹配方式：

• 事件数量一致：直接按顺序匹配

  matched = pd.DataFrame({'t1': df1_events, 't2': df2_events})
  

• 事件数量有差异：用最近邻匹配找最接近的时间点

  import numpy as np
  
  matched_t2 = []
  for t in df1_events:
      closest_idx = np.argmin(np.abs(df2_events - t))
      matched_t2.append(df2_events[closest_idx])
  matched = pd.DataFrame({'t1': df1_events, 't2': matched_t2})
  

步骤3：计算时间差值 #

直接计算匹配后时间点的差值，可转换为所需时间单位（如秒）：

matched['time_delay'] = (matched['t2'] - matched['t1']).dt.total_seconds()

步骤4：校验结果 #

通过绘制time_delay的分布或时序图，排查异常匹配值，确保结果符合预期。

内容的提问来源于stack exchange，提问作者pasq