使用pip工具安装：
pip install mdfreader_helper
从my_lib导入：
from mdf_helper.my_lib import *
使用实例：
filenames = glob.glob('./dat/idc/*.dat') # 遍历文件夹内所有dat文件
abbrs = ['n', 'wMCT', 'MCT_', 'ISC'] # 定义在文件中查找所需的信号所对应的关键字缩写。
df = pd.DataFrame() # 初始化dataframe
for file in filenames:
out = mdf_parser(file, abbrs).keyword_merge_to_pd() # 在每个文件中依照abbrs中的关键字寻找变量对应的数据列
#df.columns = ['Speed', 'Torque', 'blabla1', 'blabla2']
df = pd.concat([df, out], axis=0) # 将从每个文件中提取出的dataframe拼接成最终的大dataframe
封装常用函数，用于机器学习预处理。
1. parse_mdf(filename, columns)
mdfreader常用操作
- filename : dat/mdf文件名
- columns : 需要读取的通道名/缩写
merge_to_pd : 将目标列拼接成带时间戳的DataFrame
keyword_merge_to_pd : 用变量关键字查询并拼接成带时间戳的DataFrame
signal_list_merge_to_pd：参考已知信号列表提取出本文件中存在的信号并拼接成带时间戳的DataFrame
2. pd_parse(content, label)
DataFrame常用操作
- content : DataFrame
- label : 目标标签
trace_back : 添加特征前序时间序列
add_MeanVar ：添加特征前序时间的均值和方差等一系列前序时间内的特征
resample : 用采样时间内的均值重采样
initialize : 初始化，为每一行添加上一时刻或上n时刻的标签值
add_col : 添加时间序列新特征