我在运行 emd = EMD() imfs = emd(column_data)时报错：发生异常: KeyError -1 ValueError: -1 is not in range The above exception was the direct cause of the following exception: File "/Users/dingfengyan/工作/项目开发/哈理工/批量导出功能/emd.py", line 101, in emd_processing imfs = emd(column_data) ^^^^^^^^^^^^^^^^ File "/Users/dingfengyan/工作/项目开发/哈理工/批量导出功能/emd.py", line 119, in <module> emd_processing(input_folder, output_file) KeyError: -1

这个错误发生在你调用 `emd()` 函数时，错误信息显示 `KeyError: -1`。根据错误信息看，这个错误是由 `emd_processing()` 函数中的 `emd(column_data)` 引起的。

根据你提供的信息，我猜测可能是在 `emd()` 函数的内部出现了一个键错误（KeyError），即试图问一个字典中不存在的键。这可能是由于传递给 `emd()` 函数的 `column_data` 参数中包含了一个无效的键值（-1）。

要解决这个问题，你可以检查一下 `column_data` 参数的值，并确保它包含正确的键值。另外，你还可以在 `emd()` 函数的实现代码中进行调试，查找导致键错误的具体原因。

如果你需要更详细的帮助，请提供 `emd()` 函数的实现代码和相关的数据示例，这样我可以更好地帮助你解决问题。

相关问题

def emd_processing(input_folder, output_file): # 获取文件夹及其子文件夹中的所有 CSV 文件路径 csv_files = [] for root, dirs, files in os.walk(input_folder): for file in files: if file.endswith(".csv"): csv_files.append(os.path.join(root, file)) # 创建一个字典，用于存储每个列的处理结果 processed_data = {} # 遍历所有 CSV 文件 for file_path in csv_files: # 读取 CSV 文件 df = pd.read_csv(file_path) # 获取第一列数据 column_data = df.iloc[:, 0] # 对第一列进行 EMD 分解处理 emd = EMD() imfs = emd(column_data) # 将分解后的 IMF 数据存储到字典中 for i, imf in enumerate(imfs): new_column_name = f"IMF{i+1}" if new_column_name not in processed_data: processed_data[new_column_name] = [] processed_data[new_column_name].extend(imf) # 将处理后的数据写入新的 CSV 文件的每一列 df_output = pd.DataFrame(processed_data) df_output.to_csv(output_file, index=False) # 设置输入和输出路径 input_folder = currentPath output_file = currentPath # 调用 emd_processing 函数处理数据 emd_processing(input_folder, output_file)

感谢提供代码。根据你的代码，问题出现在 `emd()` 函数的调用上。

你在这里使用了 `emd = EMD()` 来创建一个 `EMD` 类的实例对象。然后，在下一行中，你尝试调用 `emd(column_data)` 来对 `column_data` 进行处理。

然而，根据你提供的代码，`emd()` 函数并没有在你的代码中定义。因此，当你尝试调用 `emd(column_data)` 时，会出现 `KeyError: -1` 的错误。

要解决这个问题，你需要确保在你的代码中定义了 `emd()` 函数或者从其他地方导入了该函数。如果 `emd()` 函数是从外部库导入的，你需要确保已经正确安装了该库，并在代码开头添加相应的导入语句。

请检查一下你的代码，并确保你定义了正确的 `emd()` 函数或者正确导入了该函数，这样就可以解决这个错误了。如果有更多问题，请随时提问。

def emd(signal, num_imfs): imfs = [] residue = signal.copy() for i in range(num_imfs): imf = residue.copy() while True: maxima = np.maximum(imf, 0) minima = np.minimum(imf, 0) max_env = hilbert(maxima) min_env = hilbert(-minima) mean_env = (max_env + min_env) / 2 imf_prev = imf imf = imf - mean_env if np.sum(np.abs(imf - imf_prev)) < 0.01: break imfs.append(imf) residue = residue - imf return imfs, residue def reconstruct(imfs, residue): signal = residue.copy() for imf in imfs: signal += imf return signal def denoise(signal, num_imfs): imfs, residue = emd(signal, num_imfs) denoised_signal = reconstruct(imfs, residue) return denoised_signal

这是一个使用经验模态分解 (Empirical Mode Decomposition, EMD) 方法进行信号去噪的代码。EMD 是一种将信号分解为一系列本征模态函数 (Intrinsic Mode Functions, IMFs) 的方法，其中每个 IMF 表示信号中的一个固有振动模式。通过去除一定数量的 IMFs 和剩余信号的重构，可以实现信号的去噪。

`emd` 函数接受一个信号和要提取的 IMF 数量作为输入，并返回提取的 IMFs 和剩余信号。在 `emd` 函数中，它首先对输入信号进行复制，并通过迭代计算每个 IMF。在每次迭代中，它计算出信号的局部极大值和极小值，并通过 Hilbert 变换获得它们的包络。然后根据包络计算出当前 IMF，并将其从原始信号中减去。迭代直到 IMF 的变化小于一个阈值（0.01）为止。最后，将提取的 IMF 添加到 IMFs 列表中，并更新剩余信号。

`reconstruct` 函数接受提取的 IMFs 和剩余信号，并重构原始信号。它首先将剩余信号复制给 `signal`，然后逐个将 IMFs 添加到 `signal` 中。

`denoise` 函数是一个封装函数，它将调用 `emd` 函数来提取 IMFs 和剩余信号，并通过调用 `reconstruct` 函数将它们重构为去噪信号。

请问有什么问题我可以帮助您解答的吗？