将文件夹子子文件夹中csv数据，按照每一列进行时EMD分解处理，处理好的数据写入新csv中的每一列。

要按列对文件夹及其子文件夹中的CSV数据进行时EMD分解处理，并将处理后的数据写入新的CSV文件的每一列，您可以使用以下代码：

import os
import pandas as pd
from pyhht.emd import EMD

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))

    # 创建一个空的DataFrame，用于存储处理后的数据
    processed_data = pd.DataFrame()

    # 遍历所有CSV文件
    for file_path in csv_files:
        # 读取CSV文件
        df = pd.read_csv(file_path)

        # 对每一列进行时EMD分解处理
        for column in df.columns:
            column_data = df[column]
            emd = EMD()
            imfs = emd(column_data)

            # 将分解后的IMF数据存储到DataFrame中的新列
            for i, imf in enumerate(imfs):
                new_column_name = f"{column}_IMF{i+1}"
                processed_data[new_column_name] = imf

    # 将处理后的数据写入新的CSV文件
    processed_data.to_csv(output_file, index=False)

在上述代码中，我们使用`os.walk`函数遍历了文件夹及其子文件夹中的所有CSV文件，并将它们的路径存储在`csv_files`列表中。然后，我们创建了一个空的DataFrame `processed_data`，用于存储处理后的数据。

接下来，我们对每个CSV文件进行处理。对于每个文件的每一列数据，我们使用`pyhht`库中的`EMD`类执行时EMD分解。分解后的IMF数据将存储在`imfs`列表中，并将其分别添加到`processed_data` DataFrame中的新列中。

最后，我们使用`to_csv`函数将处理后的数据写入新的CSV文件。

请注意，您需要确保已安装`pandas`和`pyhht`库，可以使用以下命令进行安装：

pip install pandas
pip install pyhht

请在调用`emd_processing`函数之前，设置正确的`input_folder`和`output_file`参数。

希望这可以帮助到您！如果还有其他问题，请随时提问。