如何按value=100条件切分pandas DataFrame并批量绘制切片图

你之前写的df[df['value'] <= 100]得不到预期结果的原因很简单：你提供的数据集里value列的最大值就是100，这个筛选条件等同于保留所有行，自然和原表完全一致。

切分数据的实现方法 #

核心流程是先定位所有满足value == 100的行位置，再按照这些位置把原表拆成连续的数据块，不需要逐行写循环判断：

1. 定位切分触发点

   # 取出所有value等于100的行索引，作为切分标记
   trigger_idx = df.index[df['value'] == 100].tolist()
   

   用你提供的示例数据集运行这段代码，会返回切分标记[4, 8, 10]，对应原表中第4、8、10行的位置，也就是value=100出现的位置。
2. 按标记拆分数据
   用numpy的split方法可以直接按照给定的索引位置拆分DataFrame：

   import numpy as np
   # 按照触发位置切分原表
   raw_slices = np.split(df, trigger_idx)
   # 过滤切分产生的空块（通常是连续出现两个value=100的情况才会生成空块）
   slices = [slice_df for slice_df in raw_slices if len(slice_df) > 0]
   

   对你的示例数据集，切分后会得到4个独立的数据块：
   • 原表第0-3行：time=[4,10,15,6], value=[0,0,0,50]
   • 原表第4-7行：time=[0,20,40,11], value=[100,0,0,70]
   • 原表第8-9行：time=[9,12], value=[100,0]
   • 原表第10-11行：time=[11,25], value=[100,20]

适合存储切片的最优数据结构 #

列表嵌套独立DataFrame 是最适配后续绘图操作的存储结构，优势很明确：

• 每个切片完整保留原表的列结构（time、value），后续绘图、计算时直接按列名取数就行，和操作单张表的逻辑完全一致，没有额外适配成本
• 列表的有序性天然匹配切分的先后顺序，不需要手动给每个切片编序号，遍历处理时天然按切分顺序执行
• 不存在不同切片长度不一致的兼容问题，相比“把所有切片存在一张大表、加切片标识列”的方案，不会因为短切片填充无意义的空值，绘图时也不会出现多余的断点

后续绘图的操作示例 #

切片存在列表里后，直接循环遍历列表，就能把所有切片绘制在同一张图中：

import matplotlib.pyplot as plt
plt.figure(figsize=(10, 6))
for slice_id, slice_data in enumerate(slices):
    plt.plot(slice_data['time'], slice_data['value'], marker='o', label=f'第{slice_id+1}个切片')
plt.xlabel('time')
plt.ylabel('value')
plt.legend()
plt.show()

如果你的切分规则不是“取两个相邻触发点之间的全部数据”，而是“从每个value=100的位置开始，往后取固定长度的数据作为切片”，只需要把上面的切分逻辑改成循环每个触发索引、按固定长度截取行，同样存在这个列表里就行，后续绘图的逻辑完全不需要调整。

内容的提问来源于stack exchange，提问作者fdaa Cham