读取当前目录及子目录下的bin文件,将bin文件每8个字节转为浮点,在按1、2、3顺序写入csv文件的1、2、3列,生成的csv文件放在“原始csv”的目录下按照原bin文件名字命名,在将生成的csv文件的1、2、3列的数据分别计算特征值,并生成在不同sheet中,按窗口切片,计算均值、方差,有效值、rms、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子等时频域参数,生成新的csv文件后存储到名字为时频域特征csv目录下,并按原bin文件名命名。然后在计算csv文件的1、2、3列的小波1~16的能量值,在新的csv文件后存储,并生成在不同sheet中,文件名字为小波特征csv目录下,并按原bin文件名命名。
时间: 2024-04-14 08:27:08 浏览: 173
java中读取目录下指定的文件
你可以使用Python的struct、pandas、numpy和pywt库来完成这个任务。以下是一个示例代码:
```python
import os
import struct
import pandas as pd
import numpy as np
import pywt
# 定义窗口大小和步长
window_size = 100
step_size = 50
# 获取当前目录路径
current_dir = os.getcwd()
# 创建原始csv目录
raw_csv_dir = os.path.join(current_dir, '原始csv')
if not os.path.exists(raw_csv_dir):
os.makedirs(raw_csv_dir)
# 创建时频域特征csv目录
feature_csv_dir = os.path.join(current_dir, '时频域特征csv目录')
if not os.path.exists(feature_csv_dir):
os.makedirs(feature_csv_dir)
# 创建小波特征csv目录
wavelet_csv_dir = os.path.join(current_dir, '小波特征csv目录')
if not os.path.exists(wavelet_csv_dir):
os.makedirs(wavelet_csv_dir)
def read_bin_file(file_path):
# 打开bin文件并读取数据
with open(file_path, 'rb') as f:
data = f.read()
return data
def convert_to_float(data):
# 将每8个字节转为浮点数
floats = []
for i in range(0, len(data), 8):
float_val = struct.unpack('f', data[i:i+4])[0]
floats.append(float_val)
return floats
def calculate_statistics(window_data):
# 计算统计指标和时频域参数
mean_value = np.mean(window_data)
var_value = np.var(window_data)
rms_value = np.sqrt(np.mean(np.square(window_data)))
skewness = pd.Series(window_data).skew()
kurtosis = pd.Series(window_data).kurt()
crest_factor = np.max(np.abs(window_data)) / rms_value
peak_factor = np.max(window_data) / rms_value
impulse_factor = np.max(np.abs(window_data)) / np.mean(np.abs(window_data))
margin_factor = np.max(np.abs(window_data)) / np.std(window_data)
return mean_value, var_value, rms_value, skewness, kurtosis, crest_factor, peak_factor, impulse_factor, margin_factor
def calculate_wavelet_energy(window_data):
# 计算小波能量值
coeffs = pywt.wavedec(window_data, 'db4', level=16)
energy_values = [np.sum(np.square(coeff)) for coeff in coeffs]
return energy_values
# 遍历当前目录及子目录下的所有bin文件
for root, dirs, files in os.walk(current_dir):
for file in files:
if file.endswith('.bin'):
bin_file_path = os.path.join(root, file)
# 读取bin文件
bin_data = read_bin_file(bin_file_path)
# 转换为浮点数
floats = convert_to_float(bin_data)
# 创建DataFrame用于存储数据
df = pd.DataFrame(columns=['1', '2', '3'])
# 将数据按顺序写入DataFrame的列中
df['1'] = floats[::3]
df['2'] = floats[1::3]
df['3'] = floats[2::3]
# 将DataFrame保存为原始csv文件
csv_file_path = os.path.join(raw_csv_dir, f'{file}.csv')
df.to_csv(csv_file_path, index=False)
# 创建新的DataFrame用于存储时频域特征数据
feature_df = pd.DataFrame(columns=[f'{file}_mean', f'{file}_var', f'{file}_rms',
f'{file}_skew', f'{file}_kurtosis', f'{file}_crest',
f'{file}_peak', f'{file}_impulse', f'{file}_margin'])
# 创建新的DataFrame用于存储小波特征数据
wavelet_df = pd.DataFrame(columns=[f'{file}_energy_{i}' for i in range(1, 17)])
# 对每列进行窗口切片,并计算统计指标和时频域参数
for col in df.columns:
col_data = df[col]
num_windows = (len(col_data) - window_size) // step_size + 1
for i in range(num_windows):
window_data = col_data[i*step_size : i*step_size + window_size]
# 计算统计指标和时频域参数
result = calculate_statistics(window_data)
# 将结果添加到时频域特征DataFrame
feature_df.loc[i] = result
# 计算小波能量值
energy_values = calculate_wavelet_energy(window_data)
# 将结果添加到小波特征DataFrame
wavelet_df.loc[i] = energy_values
# 将时频域特征数据保存为新的csv文件
feature_csv_file_path = os.path.join(feature_csv_dir, f'{file}.csv')
feature_df.to_csv(feature_csv_file_path, index=False)
# 将小波特征数据保存为新的csv文件
wavelet_csv_file_path = os.path.join(wavelet_csv_dir, f'{file}.csv')
wavelet_df.to_csv(wavelet_csv_file_path, index=False)
print("时频域特征csv文件和小波特征csv文件生成完成")
```
以上代码会遍历当前目录及子目录下的所有bin文件,将每个bin文件的数据按每8个字节转为浮点数,并按顺序写入DataFrame的1、2、3列。然后将数据保存为原始csv文件,并按原bin文件名命名。接着,对每个原始csv文件的每列进行窗口切片,计算均值、方差、有效值、RMS、偏度、峭度、波形因子、峰值因子、脉冲因子和裕度因子等时频域参数,并保存为新的csv文件。同时,计算每列的小波1-16的能量值,并保存为新的csv文件。最后,将时频域特征和小波特征数据分别保存到名为'时频域特征csv目录'和'小波特征csv目录'的文件夹下,并按原bin文件名命名。请确保在当前目录下存在'原始csv'、'时频域特征csv目录'和'小波特征csv目录'三个文件夹。
阅读全文