pandas dataframe：随着时间的推移积分会产生奇怪的结果

Question

我有随时间变化的加速度值的表格数据，如下例所示：

time(s) acc_x   acc_y
0.1 0   0
0.2 -0.98   1.66
0.3 1.42    1.72
0.4 -1.98   -0.3
0.5 -0.3    -0.79
0.6 -1.15   1.65
0.7 1.2 -0.5
0.8 1.97    0.51
0.9 -0.74   -0.39
1   -0.47   -1.06
1.1 1.77    0.87
1.2 -0.35   -0.67
1.3 1.4 0.51
1.4 1.72    1.47
1.5 -0.37   -0.83
1.6 1.65    -0.07
1.7 1.51    -0.53
1.8 -0.46   -0.8
1.9 -0.35   -0.18
2   0   0

由此，我想通过双重积分来计算位置值，以使用位置坐标作为搅拌器中的关键帧位置。因为我并不总是知道输入数据的时基，所以我想将其重新采样为帧间时间间隔。

这是我到目前为止所尝试的，主要是尝试调整此代码示例：Rollingintegrationoverpandasdataframewithtimeindex

import pandas as pd
from scipy import integrate
    
cur_fps=25 #bpy.context.scene.render.fps
acc_table=pd.read_excel("C:/Temp/exampleaccelerations.xlsx",index_col=0) #read the table from disk
timedeltastrings={"interp":"%d"%(timedelta_base/100)+"us","vel":"%d"%(timedelta_base/10)+"us","pos":"%d"%(timedelta_base)+"us"}
acc_table_interp=acc_table.resample(timedeltastrings["interp"]).interpolate(method="linear")
vel_table=acc_table_interp.rolling(timedeltastrings["vel"]).apply(integrate.trapz)
vel_table_interp=vel_table.resample(timedeltastrings["vel"]).interpolate(method="linear")
pos_table=vel_table.rolling(timedeltastrings["pos"]).apply(integrate.trapz)
pos_table_interp=pos_table.resample(timedeltastrings["pos"]).interpolate(method="linear")

代码可能不是特别整洁，但可以工作并给出结果。然而，与手动评估（例如在 Excel 中）相比，结果值太高。我完全不知道如何在结果和输入之间建立心理联系。

如果您想知道，重采样应该为滚动积分器提供一些可以使用的值。如果没有重采样和 100 毫秒的窗口大小（类似于我对上面链接的答案的理解），集成的结果是全零数据帧。

有人可以指出如何正确使用 scipy 积分器（或任何其他等效函数）的方向，以便我可以获得正确的结果吗？

Answer 1

您可以用于scipy.integrate.cumtrapz数值积分。

假设您的数据存储在pd.DataFrame df

from scipy.integrate import cumtrapz

velocities = cumtrapz(df[['acc_x','acc_y']], df['time(s)'], axis=0)
positions = cumtrapz(velocities, dx=0.1, axis=0)

要解释积分的结果，您可以绘制position,velocity和acceleration

import matplotlib.pyplot as plt

plt.figure(figsize=(8,8))
plt.scatter(positions[:,0], positions[:,1], label='Position')
plt.quiver(
    positions[:,0], positions[:,1],
    velocities[1:,0], velocities[1:,1], color='blue',
    width=0.003, angles='xy', label='Velocity')
plt.quiver(
    positions[:,0], positions[:,1],
    df['acc_x'].iloc[2:], df['acc_y'].iloc[2:], color='green',
    width=0.003, angles='xy', label='Acceleration')
plt.legend();

出去：