使用Julia与DataFrames计算非对齐时间序列的差值

一、统一时间轴：解决差值计算的核心问题 #

由于两个设备采集的时间序列时间戳错位、行数不同，必须先将它们对齐到同一时间轴，才能直接计算压力差值。以下是两种实用方案：

方案1：生成固定时间间隔的插值序列 #

适合需要标准化时间粒度的场景，步骤如下：

1. 统一时间范围：取两个序列的最早起始时间和最晚结束时间，覆盖全部数据区间。
2. 生成固定间隔时间轴：根据数据精度（如毫秒、秒）生成等间隔时间戳。
3. 插值对齐：将两个原始序列重索引到固定时间轴，用时间加权插值补全缺失值。

代码示例（基于Pandas）：

import pandas as pd

# 1. 转换时间列为datetime类型并设为索引
df1['timestamp'] = pd.to_datetime(df1['timestamp'])
df2['timestamp'] = pd.to_datetime(df2['timestamp'])
df1 = df1.set_index('timestamp')
df2 = df2.set_index('timestamp')

# 2. 确定统一时间范围与间隔（示例用100ms，可按需调整）
start = min(df1.index.min(), df2.index.min())
end = max(df1.index.max(), df2.index.max())
fixed_timestamps = pd.date_range(start=start, end=end, freq='100ms')

# 3. 重索引+时间加权插值
df1_interp = df1.reindex(fixed_timestamps).interpolate(method='time')
df2_interp = df2.reindex(fixed_timestamps).interpolate(method='time')

# 4. 计算压力差值
diff_df = pd.DataFrame({
    'timestamp': fixed_timestamps,
    'pressure_diff': df2_interp['pressure'] - df1_interp['pressure']
})

方案2：基于某一序列的时间戳直接对齐 #

如果不需要固定间隔，可直接以数据量更大的df2的时间戳为基准，给df1插值补全：

# 以df2的时间戳为基准，对df1做时间加权插值
df1_aligned = df1.reindex(df2.index).interpolate(method='time')

# 计算逐点压力差值
df2['pressure_diff'] = df2['pressure'] - df1_aligned['pressure']

二、量化"208417"序列与其他序列的差异 #

除了逐点差值，可通过统计指标从整体层面量化差异：

• 平均绝对误差（MAE）：衡量整体偏差程度，abs(df2['pressure_diff']).mean()
• 均方误差（MSE）：放大极端偏差的影响，(df2['pressure_diff'] ** 2).mean()
• 最大绝对误差：查看最大偏差值，abs(df2['pressure_diff']).max()
• 皮尔逊相关系数：衡量两个序列的趋势一致性，取值越接近1趋势越重合，df1_interp['pressure'].corr(df2_interp['pressure'])

注意事项 #

• 插值方法优先选method='time'：该方法会根据时间间隔加权计算插值，比普通线性插值更贴合时间序列的变化规律。
• 处理边缘缺失值：如果某段时间只有一个序列有数据，插值后会出现NaN，可根据需求用前后值填充或删除对应行。
• 统一时间精度：确保两个序列的时间戳精度一致（如均为毫秒级），避免类型转换导致的对齐误差。

内容的提问来源于stack exchange，提问作者byezy