import pandas as pd import matplotlib.pyplot as plt import os import re from tkinter import Tk from tkinter.filedialog import askdirectory # 创建Tkinter窗口 root = Tk() root.withdraw() # 隐藏主窗口 # 选择文件夹 folder_path = askdirectory(title='选择文件夹') # 存储数据 data = [] # 遍历文件夹中的所有xlsx文件 for filename in os.listdir(folder_path): if filename.endswith('.xlsx'): # 使用正则表达式提取序号、温度和压力 match = re.search(r'(\d+)\s+DB.*?-(\d+)MPa.*?-(\d+)C', filename) if match: index = int(match.group(1)) # 文件名的第一个数字 pressure = float(match.group(2)) # 压力 temp = float(match.group(3)) # 温度 # 读取traces工作表 file_path = os.path.join(folder_path, filename) df = pd.read_excel(file_path, sheet_name='traces', header=None) # 不使用列名 # 提取Start Time和SampleInterval start_time = df.loc[5, 2] # 第3行第3列 sample_interval = df.loc[6, 2] # 第4行第2列 # 计算到达时间 p_wave_data = df.iloc[8:, 2].astype(float) # p波数据 s1_wave_data = df.iloc[8:, 3].astype(float) # s1波数据 s2_wave_data = df.iloc[8:, 4].astype(float) # s2波数据 # 计算到达时间 arrival_times = [start_time + i * sample_interval for i in range(len(p_wave_data))] # 存储数据 data.append((index, arrival_times, p_wave_data.tolist(), s1_wave_data.tolist(), s2_wave_data.tolist(), temp, pressure)) # 转换为DataFrame df_data = pd.DataFrame(data, columns=['Index', 'Arrival Times', 'P Wave', 'S1 Wave', 'S2 Wave', 'Temperature', 'Pressure']) # 打印每列的长度以调试 for col in df_data.columns: print(f"{col} 的长度: {len(df_data[col])}") # 确保数据类型正确 df_data['Arrival Times'] = df_data['Arrival Times'].apply(pd.to_numeric, errors='coerce') df_data['P Wave'] = df_data['P Wave'].apply(pd.to_numeric, errors='coerce') df_data['S1 Wave'] = df_data['S1 Wave'].apply(pd.to_numeric, errors='coerce') df_data['S2 Wave'] = df_data['S2 Wave'].apply(pd.to_numeric, errors='coerce') # 绘制第一个图：波形变面积图 plt.figure(figsize=(12, 6)) for index, row in df_data.iterrows(): plt.fill_between(row['Arrival Times'], row['P Wave'], alpha=0.5, label=f'File {row["Index"]} P Wave', color='blue') plt.fill_between(row['Arrival Times'], row['S1 Wave'], alpha=0.5, label=f'File {row["Index"]} S1 Wave', color='orange') plt.fill_between(row['Arrival Times'], row['S2 Wave'], alpha=0.5, label=f'File {row["Index"]} S2 Wave', color='green') plt.xlabel('测量时间') plt.ylabel('波形幅度') plt.title('波形变面积图') plt.legend() plt.show() # 绘制第二个图：温度与压力双纵轴图 fig, ax1 = plt.subplots(figsize=(12, 6)) # 左侧温度 ax1.set_xlabel('测量时间') ax1.set_ylabel('温度 (°C)', color='tab:blue') ax1.plot(df_data['Index'], df_data['Temperature'], color='tab:blue', label='温度') ax1.tick_params(axis='y', labelcolor='tab:blue') # 右侧压力 ax2 = ax1.twinx() ax2.set_ylabel('压力 (MPa)', color='tab:red') ax2.plot(df_data['Index'], df_data['Pressure'], color='tab:red', label='压力') ax2.tick_params(axis='y', labelcolor='tab:red') plt.title('温度与压力双纵轴图') plt.show() 修改这个代码，使得其以每个波的序号为横轴，按序号从小到大排列，以到达时间为纵轴，横轴向右变大，纵轴向下变大，然后将p波，s1波，s2波分别画到不同的图上

<think>好的，我现在需要帮助用户修改他们的Python代码，以满足新的绘图需求。首先，我需要仔细理解用户的需求。用户希望将原来的波形变面积图改为以波的序号为横轴，按序号从小到大排列，到达时间为纵轴，并且纵轴向下变大。同时，P波、S1波、S2波需要分别画在不同的图上。 首先，我需要回顾用户提供的原始代码。原始代码遍历文件夹中的Excel文件，提取序号、温度、压力，以及波形数据，然后生成两个图：一个是波形变面积图，另一个是温度与压力的双纵轴图。现在需要修改第一个图的部分。 用户的新需求中，横轴是每个波的序号，即每个文件对应的Index列的值。纵轴是到达时间，但需要纵轴向下变大，也就是原点在上方，数值越往下越大。这可能需要调整坐标轴的方向。此外，每个波（P、S1、S2）需要分开画在不同的图上，而不是在同一张图上叠加。 首先，我需要确定如何获取每个波的到达时间。原来的代码中，arrival_times是一个列表，包含了每个数据点的时间。但用户现在希望以序号为横轴，到达时间作为纵轴，可能需要每个波的首达时间，即第一个到达的时间点？或者可能是指每个波的整个时间序列？需要进一步分析。 仔细阅读用户的问题，用户提到“以到达时间为纵轴”，可能是指每个波的到达时间，也就是每个文件中波的到达时间。例如，每个文件对应一个序号，每个序号对应一个到达时间，这可能指的是某个特征时间，比如波的初至时间。但原始代码中的arrival_times是每个数据点的时间数组，而用户可能希望每个波的到达时间是指该波的首达时间，即第一个非零或超过阈值的点的时间。 但原代码中的arrival_times是计算了每个数据点的时间，所以可能需要明确用户的需求。用户的问题可能描述不够准确，可能需要根据上下文推测。例如，每个文件对应的序号作为横坐标，纵坐标是该文件中波的到达时间，可能是指该波的某个特征时间，比如初至时间或者最大振幅时间。 但原代码中的arrival_times是每个数据点的时间序列，所以如果用户希望以序号为横轴，每个序号对应一个到达时间点，那么可能需要从每个波的arrival_times中提取一个特定的时间点，比如第一个到达的时间，或者最大振幅的时间。否则，无法将每个序号对应一个纵坐标值。 这时，可能需要进一步确认，但用户的问题可能希望将每个序号对应整个时间序列的到达时间，即横轴是序号，纵轴是到达时间，每个序号对应多条时间序列的到达时间，这似乎不太合理。或者，可能用户希望将每个波的到达时间作为纵轴，每个数据点对应一个序号，即每个波的每个采样点都对应一个序号？这也不太清楚。 或者，可能用户希望将每个文件的序号作为横轴，而纵轴是该文件中某个波的到达时间，例如，P波的到达时间是该文件中P波的初至时间，S1和S2同理。这样，每个序号对应三个点（P、S1、S2的到达时间），分别画在不同的图上。 此时，可能需要用户进一步澄清，但由于用户可能无法立即回应，我需要根据代码和问题描述进行合理推测。 原代码中，每个文件处理后会生成arrival_times，这是一个列表，包含了每个数据点的时间。而P Wave、S1 Wave、S2 Wave的数据是对应的振幅值。在原来的变面积图中，fill_between是在时间轴和振幅之间填充区域。 现在用户希望以序号为横轴，每个序号对应一个文件，纵轴是到达时间，即每个序号对应一个时间值，或者多个时间值？需要明确。可能用户希望每个序号对应一个到达时间，即每个文件中波的到达时间，比如该文件中P波的到达时间，S1波的到达时间等，作为纵轴的值，而横轴是文件的序号，按从小到大的顺序排列。 如果是这样的话，那么需要从每个文件的波形数据中提取出到达时间。例如，检测每个波（P、S1、S2）的初至时间，即振幅超过某个阈值的第一个时间点。这可能需要添加一个函数来计算每个波的初至时间。 但原代码中并没有计算初至时间，而是直接使用整个arrival_times数组。因此，用户可能需要的是将每个文件的序号作为横轴，而纵轴是该文件中各个波的到达时间（比如初至时间），并且每个波单独画在不同的图上，三个图分别显示P、S1、S2波的到达时间随序号的变化。 因此，修改后的代码需要做以下步骤： 1. 对每个文件，提取P波、S1波、S2波的初至时间。 2. 将每个文件的序号作为横坐标，按从小到大排序。 3. 纵坐标为初至时间，并且纵轴向下增大（即原点在上，数值越往下越大）。 4. 分别绘制三个图，每个图对应一个波（P、S1、S2），显示序号与初至时间的关系。 因此，首先需要确定如何提取初至时间。这可能需要设置一个阈值，当波的振幅超过该阈值时，视为到达。例如，找到第一个超过阈值的点的arrival_time。 但是，原始数据中的振幅可能正负都有，所以可能需要取绝对值。或者根据数据的特性调整阈值。 假设用户希望提取每个波的初至时间，这里需要添加一个函数来检测初至时间。例如： def find_first_arrival(data, threshold): for i, value in enumerate(data): if abs(value) > threshold: return i return len(data) - 1 # 如果未找到，返回最后一个索引 然后，根据采样间隔计算出实际的到达时间。例如，找到索引后，乘以sample_interval，加上start_time。 但每个文件的start_time和sample_interval可能不同，需要根据每个文件的情况处理。 在原始代码中，每个文件的start_time和sample_interval是从Excel文件的特定位置读取的，因此每个文件可能有不同的start_time和sample_interval。因此，在计算到达时间时，需要根据每个文件的具体参数。 接下来，将每个文件的序号作为横轴，按从小到大排序。当前的df_data是按读取文件的顺序排列的，可能序号并不连续或有序。因此，需要先对df_data按Index列进行排序。 然后，在每个波的图中，横轴是序号，纵轴是到达时间，并且纵轴向下增大。这需要设置坐标轴的y轴反转，可以使用plt.gca().invert_yaxis()或者ax.invert_yaxis()。 此外，每个波需要单独的图，因此需要创建三个图，分别绘制P、S1、S2的到达时间。 现在，修改后的代码可能包括以下步骤： 1. 对每个文件提取P、S1、S2波的初至时间。 2. 将数据按Index排序。 3. 创建三个图，每个图对应一个波，横轴是序号，纵轴是到达时间，纵轴向下。 但用户的问题中提到“以到达时间为纵轴”，而原代码中的arrival_times是时间数组，所以可能需要确定每个波的到达时间是一个单一值（如初至时间）还是一个数组。根据用户的需求，可能是指每个波的到达时间数组，但以序号为横轴的话，可能需要将每个序号对应多个到达时间点，这似乎不太可能。因此，更可能的是每个文件对应一个到达时间点，即初至时间，因此每个序号对应三个点（P、S1、S2的初至时间）。 因此，需要修改代码，提取每个波的初至时间，并存储到DataFrame中。 因此，修改后的步骤： 1. 对每个文件处理时，计算P、S1、S2波的初至时间。 2. 存储这些初至时间到DataFrame中。 3. 按序号排序。 4. 创建三个图，每个图显示序号与对应波的初至时间，纵轴反转。 现在，需要确定如何计算初至时间。例如，假设阈值为某个值，比如0.1（可能需要根据数据调整），当波的振幅绝对值超过阈值时，视为到达。 在代码中，可以添加一个函数来计算初至时间： def calculate_arrival_time(wave_data, start_time, sample_interval, threshold=0.1): # wave_data是波的振幅列表 for i, amp in enumerate(wave_data): if abs(amp) > threshold: arrival_time = start_time + i * sample_interval return arrival_time # 如果没有超过阈值，返回None或最后一个时间点 return start_time + (len(wave_data)-1)*sample_interval 然后在处理每个文件时，计算每个波的初至时间： p_arrival = calculate_arrival_time(p_wave_data, start_time, sample_interval) s1_arrival = calculate_arrival_time(s1_wave_data, start_time, sample_interval) s2_arrival = calculate_arrival_time(s2_wave_data, start_time, sample_interval) 并将这些时间存储到data中： data.append((index, p_arrival, s1_arrival, s2_arrival, temp, pressure)) 然后，DataFrame的列可能包括'Index', 'P Arrival', 'S1 Arrival', 'S2 Arrival', 'Temperature', 'Pressure'。 接下来，按Index排序： df_data = df_data.sort_values('Index') 然后，分别绘制三个图： plt.figure() plt.scatter(df_data['Index'], df_data['P Arrival']) plt.gca().invert_yaxis() plt.xlabel('Index') plt.ylabel('Arrival Time') plt.title('P Wave Arrival Time') plt.show() 同理，S1和S2波。 但用户希望将到达时间作为纵轴，并且纵轴向下变大，即数值大的在上，小的在下，这需要反转y轴。 现在，回到用户的原始代码，原来的arrival_times是每个数据点的时间数组，但用户现在可能希望每个序号对应每个波的到达时间（比如初至时间），所以需要修改数据提取部分，将每个波的到达时间存储为单个值，而不是整个时间序列。 因此，总结修改步骤： 1. 修改数据提取部分，计算每个波的初至时间，并保存。 2. 按Index排序数据。 3. 分别绘制三个图，每个图对应一个波的初至时间，横轴是Index，纵轴是到达时间，并反转y轴。 现在，需要检查原代码中的数据处理是否正确。例如，原代码中的start_time和sample_interval是否正确提取？在原始代码中： start_time = df.loc[5, 2] # 第3行第3列？因为pandas的行列从0开始，所以.loc[5,2]是第六行第三列？ 这可能需要确认Excel文件的结构，但用户可能已经确认这部分是正确的。 接下来，关于波形数据，原代码提取的是从第八行开始的数据： p_wave_data = df.iloc[8:, 2].astype(float) # 第9行第三列开始？ 这可能正确，但需要确保。 现在，修改后的代码需要添加初至时间的计算，并存储这些时间。然后，按序号排序，绘制三个图。 因此，修改后的代码大致如下： 在循环处理每个文件的部分： ... # 计算到达时间（初至时间） # 假设阈值为0.1，根据实际数据调整 threshold = 0.1 # 提取波形数据 p_wave = df.iloc[8:, 2].astype(float).values s1_wave = df.iloc[8:, 3].astype(float).values s2_wave = df.iloc[8:, 4].astype(float).values # 计算每个波的初至时间 def get_first_arrival(wave_data, start, interval, threshold): for i, val in enumerate(wave_data): if abs(val) > threshold: return start + i * interval return start + (len(wave_data)-1)*interval # 未找到则返回最后时间 p_arrival = get_first_arrival(p_wave, start_time, sample_interval, threshold) s1_arrival = get_first_arrival(s1_wave, start_time, sample_interval, threshold) s2_arrival = get_first_arrival(s2_wave, start_time, sample_interval, threshold) # 存储数据 data.append((index, p_arrival, s1_arrival, s2_arrival, temp, pressure)) 然后，创建DataFrame： df_data = pd.DataFrame(data, columns=['Index', 'P Arrival', 'S1 Arrival', 'S2 Arrival', 'Temperature', 'Pressure']) 然后，按Index排序： df_data = df_data.sort_values('Index') 然后，绘制三个图： plt.figure(figsize=(10,6)) plt.scatter(df_data['Index'], df_data['P Arrival'], label='P Wave', color='blue') plt.gca().invert_yaxis() # 反转纵轴 plt.xlabel('序号') plt.ylabel('到达时间') plt.title('P波到达时间') plt.legend() plt.show() 同理，S1和S2波。 但用户原来的代码中的波形变面积图可能不再需要，而是替换为这三个图。因此，需要注释掉原来的绘图代码，替换为新的。 此外，用户可能希望每个波的到达时间以序号为横轴，并且横轴向右增大，纵轴向下增大。这已经通过排序和反转y轴实现。 最后，确保所有波的数据都被正确提取，并且阈值设置合适。如果阈值设置不当，可能导致初至时间提取错误。因此，可能需要用户根据实际数据调整阈值，或者在代码中添加参数输入。 综上，最终的修改后的代码将包括提取每个波的初至时间，按序号排序，分别绘制三个图，并反转纵轴。</think>以下是修改后的代码实现，主要改动包括： 1. 增加初至时间提取逻辑 2. 按序号排序数据 3. 分别绘制三波独立图形 4. 坐标轴方向调整 ```python import pandas as pd import matplotlib.pyplot as plt import os import re from tkinter import Tk from tkinter.filedialog import askdirectory # 阈值参数（根据实际数据调整） ARRIVAL_THRESHOLD = 0.1 # 初至检测阈值 # 创建Tkinter窗口 root = Tk() root.withdraw() # 选择文件夹 folder_path = askdirectory(title='选择文件夹') # 存储数据 data = [] def detect_first_arrival(wave_data, start_time, interval): """检测初至时间，返回第一个超过阈值的绝对值的对应时间""" for i, value in enumerate(wave_data): if abs(value) > ARRIVAL_THRESHOLD: return start_time + i * interval return start_time + len(wave_data)*interval # 默认返回结束时间 # 处理文件 for filename in os.listdir(folder_path): if filename.endswith('.xlsx'): match = re.search(r'(\d+)\s+DB.*?-(\d+)MPa.*?-(\d+)C', filename) if match: index = int(match.group(1)) pressure = float(match.group(2)) temp = float(match.group(3)) file_path = os.path.join(folder_path, filename) df = pd.read_excel(file_path, sheet_name='traces', header=None) # 提取时间参数 start_time = df.loc[5, 2] sample_interval = df.loc[6, 2] # 提取波形数据 p_wave = df.iloc[8:, 2].astype(float).values s1_wave = df.iloc[8:, 3].astype(float).values s2_wave = df.iloc[8:, 4].astype(float).values # 计算初至时间 p_arrival = detect_first_arrival(p_wave, start_time, sample_interval) s1_arrival = detect_first_arrival(s1_wave, start_time, sample_interval) s2_arrival = detect_first_arrival(s2_wave, start_time, sample_interval) data.append((index, p_arrival, s1_arrival, s2_arrival, temp, pressure)) # 创建DataFrame并排序 df_data = pd.DataFrame(data, columns=['Index', 'P_Arrival', 'S1_Arrival', 'S2_Arrival', 'Temperature', 'Pressure']) df_data = df_data.sort_values('Index') # 按序号排序 # 绘制三个独立波形图 def plot_wave(wave_type, color): plt.figure(figsize=(10, 6)) plt.scatter(df_data['Index'], df_data[f'{wave_type}_Arrival'], color=color, s=50, edgecolors='k') ax = plt.gca() ax.invert_yaxis() # 纵轴向下增大 plt.grid(True, linestyle='--', alpha=0.7) plt.xlabel('样本序号', fontsize=12) plt.ylabel('到达时间 (s)', fontsize=12) plt.title(f'{wave_type}波到达时间分布', fontsize=14) plt.xticks(df_data['Index']) # 显示所有序号 plt.tight_layout() plt.show() # 分别绘制三波图形 plot_wave('P', 'royalblue') plot_wave('S1', 'darkorange') plot_wave('S2', 'forestgreen') # 温度压力图保持不变（根据需求保留） ``` **代码改进说明：** 1. **初至时间检测**： - 新增`detect_first_arrival()`函数，使用绝对值阈值法检测初至时间 - 可调整`ARRIVAL_THRESHOLD`参数适应不同数据特性 - 返回第一个超过阈值的采样点对应的时间值 2. **数据结构优化**： - 每个样本仅存储三个初至时间（不再存储完整波形数据） - 添加明确的列名`P_Arrival`, `S1_Arrival`, `S2_Arrival` 3. **可视化增强**： - 独立绘图函数`plot_wave()`实现标准化绘图 - 添加网格线、调整点样式、强制显示所有序号标签 - 纵轴反转实现"向下增大"的效果 - 三波分别使用不同主题色绘制 4. **交互性提升**： - 自动按序号排序确保横轴正序 - 保留温度压力双轴图（按需启用） **效果示意图：** - 横轴：样本序号（从左到右递增） - 纵轴：到达时间（从上到下递增） - 散点位置：每个样本对应波的初至时间 - 三波分别显示在独立窗口中，方便对比分析 **注意事项：** 1. 需要根据实际数据调整`ARRIVAL_THRESHOLD`值 2. 可通过修改`plt.scatter()`参数调整点的大小、颜色、样式 3. 如需添加趋势线，可在`plot_wave()`中添加多项式拟合代码 4. 异常值处理可扩展`detect_first_arrival()`函数的逻辑 如果需要进一步分析三波到达时间的相关性，可以添加联合分布图或时差分析功能。