Python加载多层表头DataFrame实现整流器电压电流与日期关联绘图

最优实现方案 #

你当前拆分单整流器DataFrame存入字典的方案不利于后续批量处理、筛选和绘图，更推荐将数据转换为**长格式（tidy data）**存储，所有记录统一放在同一个DataFrame中，仅保留「整流器ID」「采集日期」「电压」「电流」4个核心字段，后续所有操作都可以通过pandas原生的筛选、分组功能实现，效率更高。

第一步：数据结构重塑 #

import pandas as pd
import matplotlib.pyplot as plt

# 原读取逻辑不变
df = pd.read_excel("Rectifier_DB.xlsx", header = [0,1], index_col=0)
# 为两级列索引命名，方便后续转换
df.columns.names = ['采集日期', '参数']
# 将多级列索引转为行，生成长格式表
df_long = df.stack(level='采集日期').reset_index()
# 重命名列名更符合使用习惯
df_long = df_long.rename(columns={
    'level_0': '整流器ID',
    'Volts': '电压(V)',
    'Amps': '电流(A)'
})
# 将日期列转为datetime格式，绘图时X轴会自动排序、格式化
df_long['采集日期'] = pd.to_datetime(df_long['采集日期'], format='%d/%m/%Y')

第二步：常用绘图场景实现 #

场景1：单个整流器电压电流随时间变化曲线

# 指定要查询的整流器ID
target_id = '9E220ECP5001'
plot_data = df_long[df_long['整流器ID'] == target_id].sort_values('采集日期')

# 双Y轴分别绘制电压、电流
fig, ax1 = plt.subplots(figsize=(10, 5))
# 左轴：电压
color = 'tab:red'
ax1.set_xlabel('采集日期')
ax1.set_ylabel('电压(V)', color=color)
ax1.plot(plot_data['采集日期'], plot_data['电压(V)'], color=color, marker='o', label='电压')
ax1.tick_params(axis='y', labelcolor=color)

# 右轴：电流
ax2 = ax1.twinx()
color = 'tab:blue'
ax2.set_ylabel('电流(A)', color=color)
ax2.plot(plot_data['采集日期'], plot_data['电流(A)'], color=color, marker='s', label='电流')
ax2.tick_params(axis='y', labelcolor=color)

plt.title(f'整流器{target_id}运行趋势')
fig.tight_layout()
plt.show()

场景2：批量生成所有整流器的趋势图

直接用pandas分组功能遍历所有整流器，比遍历字典更灵活：

for rect_id, data_group in df_long.groupby('整流器ID'):
    data_group = data_group.sort_values('采集日期')
    plt.figure(figsize=(10,5))
    plt.plot(data_group['采集日期'], data_group['电压(V)'], marker='o', label='电压(V)')
    plt.plot(data_group['采集日期'], data_group['电流(A)'], marker='s', label='电流(A)')
    plt.title(f'整流器{rect_id}运行趋势')
    plt.xlabel('采集日期')
    plt.legend()
    plt.tight_layout()
    # 可直接保存到本地
    plt.savefig(f'./{rect_id}_运行趋势.png')
    plt.close()

方案优势 #

相比拆分字典的方案，长格式结构的优点：

• 无需维护多份独立DataFrame，内存占用更低
• 可直接使用pandas原生的分组、聚合函数做批量统计，比如计算所有整流器的季度平均电压等
• 跨设备对比更方便，如需对比多个整流器的电压趋势，仅需一次筛选即可拿到所有需要的数据

内容的提问来源于stack exchange，提问作者Jhangir Awan