3. Pandas处理航行表格数据入门

船舶航行数据通常以表格形式记录：每一行对应一个时刻的航行状态，每一列对应一个字段，例如时间戳、经纬度、对地航速、对地航向、船首向等。Pandas 的 DataFrame 正是为这类“带列名的二维表”设计的结构。本节围绕一个典型的航行 CSV 文件，完成从加载、索引、选列切片到类型修正的完整链路，并输出一份清洗后的数据摘要。

一、航行表格的典型形态与加载

假设船上导出的航行记录文件 voyage_log.csv 包含以下列：timestamp（记录时间，形如 2024-05-12 08:00:00）、lat（纬度，北纬为正）、lon（经度，东经为正）、sog（对地航速，节）、cog（对地航向，度，正北为 0°、顺时针增大）、heading（船首向，度）。需要先明确坐标与角度约定：纬度北正南负、经度东正西负；航向与船首向均以正北为 0°、顺时针 0°～360°。全文与图示保持一致。

import pandas as pd

df = pd.read_csv("voyage_log.csv")
print(df.shape)      # 例如 (1440, 6)
print(df.dtypes)
print(df.head(3))

刚读入时，Pandas 会做类型推断：数值列一般被识别为 int64 或 float64，但时间列通常只是 object（字符串），而航速、航向列如果原始文件里混有单位后缀、空值或异常符号（如 "12.4kn"、""、"--"），也会被推断成 object。因此“读进来”不等于“可用”，类型检查是第一步。

二、索引：让每一行有明确身份

DataFrame 默认使用 0 起始的整数索引（RangeIndex）。对航行数据而言，更自然的行标识是时间戳。可以在读取时直接指定，也可以在解析时间后设置：

df["timestamp"] = pd.to_datetime(df["timestamp"], errors="coerce")
df = df.set_index("timestamp").sort_index()

设置时间索引后，df.loc["2024-05-12 08:00":"2024-05-12 09:00"] 就能按时间区间取行，这是航行数据分析中最常用的切片方式。注意 .loc 的区间切片是闭区间，两端都包含；而位置切片 df.iloc[0:10] 遵循 Python 惯例，不含右端。二者不要混用。另外，set_index 后原 timestamp 列变为索引，若仍需保留为列，可加 drop=False。

三、列选择与行列切片

选列有三种常见写法，语义不同：df["sog"] 返回 Series；df[["sog", "cog"]] 返回只含这两列的 DataFrame（注意双层方括号）；df.loc[:, "sog":"heading"] 按列名区间取连续列。行与列同时筛选时，推荐统一用 .loc（按标签）和 .iloc（按位置），避免链式赋值带来的 SettingWithCopyWarning。

# 取 08:00 到 09:00 之间的航速与航向
seg = df.loc["2024-05-12 08:00":"2024-05-12 09:00", ["sog", "cog"]]

# 取前 100 行的经纬度（按位置）
pos = df.iloc[:100, [1, 2]]

条件筛选同样重要，例如只保留航行状态（航速大于 0.5 节）的记录：df[df["sog"] > 0.5]。若条件涉及多列，用 &、| 连接，每个条件加括号。

四、数据类型转换：把“看起来是数”变成“真的是数”

类型修正的目标是：时间列为 datetime64[ns]，航速与航向为 float64，并保证取值范围合理。对混有单位或异常符号的列，先用 pd.to_numeric(..., errors="coerce") 强制转换，无法解析的值变为 NaN，再决定填补或剔除。

# 去掉单位后缀再转数值
df["sog"] = pd.to_numeric(
    df["sog"].astype(str).str.replace("kn", "", regex=False),
    errors="coerce"
)
df["cog"] = pd.to_numeric(df["cog"], errors="coerce")

# 航向规范化到 [0, 360)
df["cog"] = df["cog"] % 360

# 统计转换后产生的缺失
print(df[["sog", "cog", "heading"]].isna().sum())

转换后必须做合理性检查：航速不应为负，通常也不应超过船速上限（如 30 节）；航向应在 0°～360°；纬度在 −90°～90°，经度在 −180°～180°。可用 df.describe() 快速看分布，再用布尔索引定位越界行。对缺失值，航行数据中常见做法是按时间线性插值（df["sog"].interpolate()）或直接剔除，选择取决于后续分析目的，需在摘要中说明处理策略。

五、输出清洗后的数据摘要

清洗完成后，应输出一份可复核的摘要，至少包含：行列数、各列类型、关键列的统计量、缺失值数量、时间范围。下面是一段可直接运行的摘要代码：

summary = {
    "行数": len(df),
    "列数": df.shape[1],
    "时间范围": (df.index.min(), df.index.max()),
    "缺失值": df.isna().sum().to_dict(),
    "航速统计": df["sog"].describe().round(2).to_dict(),
    "航向范围": (df["cog"].min(), df["cog"].max()),
}
for k, v in summary.items():
    print(f"{k}: {v}")

示例输出（基于假设数据，非实测）：行数 1440、列数 6，时间范围 2024-05-12 00:00 至 2024-05-12 23:59，sog 缺失 3 条、均值约 11.8 节、最大 18.6 节，cog 范围 0.4°～359.7°。若发现 sog 出现负值或超过 30 节，说明单位或符号解析有误，应回到转换步骤排查，而不是直接进入分析。

把上述步骤串起来，就形成了航行数据进入分析前的标准动作：读入并确认列类型 → 时间解析并设为索引 → 按需选列与切片 → 数值列强制转换与范围校验 → 输出摘要留档。后续的航迹绘制、航速分布统计、转向事件识别，都建立在这份“类型正确、索引清晰、异常可查”的 DataFrame 之上。