已知起始时间与非固定采样周期，如何绘制密度时间序列？

没问题，我来帮你搞定这个非恒定采样周期的时间序列绘制问题！核心思路是先根据起始时间和采样周期计算出每个测量值对应的精确日期时间，再把密度数据和时间戳关联起来，最后用绘图工具可视化。下面用Python来实现，步骤清晰易懂：

步骤1：导入必要的库 #

我们需要用到datetime处理时间，pandas整理数据，matplotlib.pyplot绘图，numpy计算累计时间差：

from datetime import datetime, timedelta
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

步骤2：定义你的数据和起始时间 #

先把你给定的密度、采样周期数据定义成变量，同时指定起始时间（这里我假设一个示例时间，你可以替换成实际的起始时间）：

# 给定的密度数据
density = [4, 2, 5, 8, 4, 6, 4]
# 采样周期（单位：秒）
sample_periods = [2, 2, 2, 2, 3, 2, 2]
# 起始日期时间（替换成你实际的起始时间）
start_time = datetime(2024, 5, 20, 10, 0, 0)

步骤3：计算每个测量值的时间戳 #

因为第一个测量值对应起始时间，后续每个点的时间是起始时间加上前面所有采样周期的累计和。我们可以用numpy.cumsum计算累计时间差，再转换成timedelta加到起始时间上：

# 计算累计时间差：第一个点时间差为0，后续是前面采样周期的累加
cumulative_seconds = np.insert(np.cumsum(sample_periods), 0, 0)[:-1]
# 生成每个测量值的datetime数组
timestamps = [start_time + timedelta(seconds=sec) for sec in cumulative_seconds]

解释一下：np.cumsum(sample_periods)会得到[2,4,6,8,11,13,15]，但第一个测量值不需要加时间，所以我们在开头插入0，然后取前7个元素，得到[0,2,4,6,8,11,13]，这样每个元素对应从起始时间开始的偏移秒数。

步骤4：整理数据并绘图 #

把时间戳和密度数据整理成pandas.DataFrame，然后用matplotlib绘制时间序列图：

# 创建DataFrame
df = pd.DataFrame({
    'datetime': timestamps,
    'density': density
})

# 设置绘图风格
plt.style.use('seaborn-v0_8')

# 绘制密度时间序列
plt.figure(figsize=(10, 6))
plt.plot(df['datetime'], df['density'], marker='o', linestyle='-', color='b')
plt.title('Density Time Series (Non-Constant Sampling Period)', fontsize=14)
plt.xlabel('Datetime', fontsize=12)
plt.ylabel('Density', fontsize=12)
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()

关键说明 #

• 如果你的起始时间是字符串格式（比如"2024-05-20 10:00:00"），可以用datetime.strptime(start_str, "%Y-%m-%d %H:%M:%S")转换成datetime对象。
• 这段代码完全适配非恒定采样周期的情况，不管采样周期怎么变，只要传入正确的周期列表，就能自动计算每个点的时间戳。

内容的提问来源于stack exchange，提问作者Lucas