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。

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：

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。