如何基于Pandas高效提取多传感器目标追踪的时间窗口？

需求说明 #

现有存储3个传感器目标追踪数据的Pandas DataFrame，Sensor time列是[开始时间, 结束时间]格式的列表，需按目标聚合，得到至少一个传感器追踪的连续时间窗口（比如示例中第一个目标合并后为[0,12]和[14,20]），替代低效的循环实现。

高效实现步骤 #

1. 展开时间区间 #

先将每个目标的所有传感器时间区间拆分为单独的开始、结束列，方便后续分组处理：

import pandas as pd

# 模拟原始DataFrame（对应你提供的截图结构）
data = {
    'Target ID': ['Target1', 'Target1', 'Target1', 'Target2', 'Target2', 'Target2'],
    'Sensor time': [[0,5], [3,12], [14,20], [1,3], [6,8], [10,15]]
}
df = pd.DataFrame(data)

# 拆分时间区间为单独列
df_expanded = df.copy()
df_expanded[['start', 'end']] = pd.DataFrame(df_expanded['Sensor time'].tolist(), index=df_expanded.index)

2. 分组合并重叠/相邻区间 #

按Target ID分组后，对每组的时间区间排序并合并：

def merge_overlapping_intervals(intervals):
    # 按开始时间排序
    sorted_intervals = sorted(intervals, key=lambda x: x[0])
    merged = []
    for interval in sorted_intervals:
        if not merged:
            merged.append(interval)
        else:
            last_start, last_end = merged[-1]
            curr_start, curr_end = interval
            # 当前区间与上一个合并区间重叠/相邻则合并
            if curr_start <= last_end:
                merged[-1] = [last_start, max(last_end, curr_end)]
            else:
                merged.append(interval)
    return merged

# 分组应用合并逻辑
merged_result = df_expanded.groupby('Target ID').apply(
    lambda x: merge_overlapping_intervals(list(zip(x['start'], x['end'])))
).reset_index(name='Merged Tracking Windows')

3. 最终结果 #

运行后merged_result的结构如下：

效率优势 #

• 利用Pandas的groupby向量化操作替代逐行循环，减少Python层面的迭代开销
• 合并逻辑核心是排序后线性扫描，时间复杂度为O(n log n)（主要来自排序），远优于嵌套循环的O(n²)

内容的提问来源于stack exchange，提问作者Jacob Shirley