Python实现：判断HDF表中传感器数据所属的案例类别

核心逻辑 #

要判断传感器数据所属的案例类别，关键是先为每个案例的analog和temperature指标设定合理的范围阈值（比如基于常量值的浮动比例或固定偏差），再逐一检查传感器每行数据是否落在某个案例的指标范围内，匹配成功则标记对应的case编号。

基于Python Pandas的实现（含示例验证） #

假设我们用Pandas处理HDF表，以下是针对你提供的示例数据的具体步骤：

1. 加载并预处理案例表 #

首先加载案例数据，并为每个案例计算指标范围（这里以±8%的analog浮动和±2的温度固定偏差为例，你可以根据实际业务场景调整阈值）：

import pandas as pd

# 加载案例HDF表（替换为你的实际HDF读取代码，比如pd.read_hdf()）
case_df = pd.DataFrame(
    [[1500, 22, 0], [1100, 40, 1], [2400, 19, 2]],
    columns=['analog', 'temperature', 'case']
)

# 计算每个案例的指标范围
case_df['analog_low'] = case_df['analog'] * 0.92
case_df['analog_high'] = case_df['analog'] * 1.08
case_df['temp_low'] = case_df['temperature'] - 2
case_df['temp_high'] = case_df['temperature'] + 2

2. 加载传感器数据并匹配案例 #

接下来加载传感器数据，通过向量化操作高效匹配对应案例：

# 加载传感器HDF表（同样替换为实际读取代码）
sensor_df = pd.DataFrame(
    [[1420, 20], [1000, 39], [2300, 29]],
    columns=['analog', 'temperature']
)

# 批量匹配每个传感器行对应的案例
matched_cases = []
for _, row in sensor_df.iterrows():
    # 筛选出当前行落在范围内的案例
    valid_cases = case_df[
        (case_df['analog_low'] <= row['analog']) &
        (row['analog'] <= case_df['analog_high']) &
        (case_df['temp_low'] <= row['temperature']) &
        (row['temperature'] <= case_df['temp_high'])
    ]
    # 取第一个匹配的case编号（若有多个匹配需额外处理逻辑）
    matched_cases.append(valid_cases['case'].iloc[0] if not valid_cases.empty else None)

sensor_df['case'] = matched_cases

示例结果验证 #

对于传感器第一行数据(1420, 20)：

• 案例0的analog范围是1500*0.92=1380到1500*1.08=1620，1420落在区间内；
• 温度范围是22-2=20到22+2=24，20刚好符合要求；
• 因此该行匹配到case=0。

批量优化建议（针对300行案例） #

如果你的案例表有300行，上述循环已经足够高效，若要进一步优化可以用广播机制减少循环，但对于300行的规模，循环的性能差异可以忽略。如果存在多个案例匹配同一传感器行的情况，你需要额外添加逻辑（比如优先匹配范围最接近的案例）。

内容的提问来源于stack exchange，提问作者Brell