import os import re import numpy as np import matplotlib.pyplot as plt from matplotlib.ticker import MaxNLocator import pandas as pd from glob import glob # 设置中文字体 plt.rcParams["font.family"] = ["SimHei", "WenQuanYi Micro Hei", "Heiti TC"] plt.rcParams["axes.unicode_minus"] = False # 正确显示负号 def parse_ldr_file(file_path): """解析LDR文件，提取零件的XYZ坐标（修复：用空格分割，兼容不同格式）""" coordinates = [] with open(file_path, 'r', encoding='utf-8', errors='ignore') as f: for line_num, line in enumerate(f, 1): line = line.strip() # 只处理以1开头的零件行，且排除空行 if line.startswith('1') and len(line.split()) >= 5: try: # 核心修复：用split()按任意空格分割，取第3、4、5个元素（索引2、3、4） parts = line.split() x = float(parts[2]) # 原正则的group(3)对应split后的索引2 y = float(parts[3]) # 原正则的group(4)对应split后的索引3 z = float(parts[4]) # 原正则的group(5)对应split后的索引4 coordinates.append((x, y, z)) except (ValueError, IndexError) as e: # 详细打印错误行，方便排查格式问题 print(f"警告: 文件 {os.path.basename(file_path)} 第 {line_num} 行解析失败 - {e}") print(f" 错误行内容: {line}") return np.array(coordinates) if coordinates else None def translate_coordinates(coords): """将坐标平移到原点附近，平移量为max_x/2, max_y/2, max_z/2""" if coords is None or len(coords) == 0: return None, (0, 0, 0) # 计算各维度最大值（确保坐标≥0的前提下） max_x = np.max(coords[:, 0]) max_y = np.max(coords[:, 1]) max_z = np.max(coords[:, 2]) # 计算平移量（向原点方向移动一半最大值） tx = max_x / 2 ty = max_y / 2 tz = max_z / 2 # 执行平移 translated = coords - np.array([tx, ty, tz]) return translated, (tx, ty, tz) def analyze_ldr_folder(folder_path): """分析文件夹中所有LDR文件的坐标分布""" all_coords = [] # 递归获取所有LDR文件（包括子文件夹） ldr_files = glob(os.path.join(folder_path, '**', '*.ldr'), recursive=True) if not ldr_files: print(f"错误：在 {folder_path} 中未找到任何LDR文件") return None print(f"找到 {len(ldr_files)} 个LDR文件，开始分析...") for file_idx, file_path in enumerate(ldr_files, 1): # 解析单个文件的坐标 coords = parse_ldr_file(file_path) if coords is None or len(coords) == 0: print(f"文件 {file_idx}/{len(ldr_files)}: {os.path.basename(file_path)} 中未找到有效坐标") continue # 平移坐标到原点附近 translated_coords, translation = translate_coordinates(coords) # 收集所有平移后的坐标 all_coords.append(translated_coords) # 每处理10个文件或最后一个文件时，打印进度 if file_idx % 10 == 0 or file_idx == len(ldr_files): total_parts = sum(len(c) for c in all_coords) print(f"已处理 {file_idx}/{len(ldr_files)} 个文件，累计零件数: {total_parts}") if not all_coords: print("未找到任何有效坐标数据，终止分析") return None # 合并所有文件的坐标（按行堆叠） all_coords = np.vstack(all_coords) print(f"\n分析完成！共处理 {len(all_coords)} 个零件坐标") return all_coords def plot_coordinate_distributions(coords, output_dir): """绘制XYZ三个维度的坐标分布直方图""" if coords is None or len(coords) == 0: print("没有可绘制的坐标数据") return # 创建输出目录（不存在则自动创建） os.makedirs(output_dir, exist_ok=True) # 提取XYZ三个维度的坐标 x_coords = coords[:, 0] y_coords = coords[:, 1] z_coords = coords[:, 2] # 计算各维度的统计信息（最小值、最大值、平均值、标准差） stats = { 'X轴': { '最小值': np.min(x_coords), '最大值': np.max(x_coords), '平均值': np.mean(x_coords), '标准差': np.std(x_coords) }, 'Y轴': { '最小值': np.min(y_coords), '最大值': np.max(y_coords), '平均值': np.mean(y_coords), '标准差': np.std(y_coords) }, 'Z轴': { '最小值': np.min(z_coords), '最大值': np.max(z_coords), '平均值': np.mean(z_coords), '标准差': np.std(z_coords) } } # 打印统计信息（控制台直观查看） print("\n=== 坐标分布统计信息 ===") for axis, info in stats.items(): print(f"{axis}:") for key, val in info.items(): print(f" {key}: {val:.2f}") # 保存统计信息到CSV文件（便于后续分析） stats_df = pd.DataFrame(stats).T stats_csv_path = os.path.join(output_dir, 'coordinate_stats.csv') stats_df.to_csv(stats_csv_path, encoding='utf-8-sig') print(f"\n统计信息已保存到: {stats_csv_path}") # 绘制XYZ三个维度的分布直方图（1行3列布局） fig, axes = plt.subplots(1, 3, figsize=(18, 6)) bins = 50 # 直方图分箱数（可根据数据量调整，50适合中等数据量） # X轴坐标分布（红色） axes[0].hist(x_coords, bins=bins, alpha=0.7, color='#FF6B6B') axes[0].set_title(f'X轴坐标分布\n（均值: {stats["X轴"]["平均值"]:.2f}, 标准差: {stats["X轴"]["标准差"]:.2f}）', pad=15) axes[0].set_xlabel('坐标值', fontsize=12) axes[0].set_ylabel('频数', fontsize=12) axes[0].grid(True, alpha=0.3) axes[0].xaxis.set_major_locator(MaxNLocator(6)) # 限制X轴刻度数量，避免拥挤 # Y轴坐标分布（绿色） axes[1].hist(y_coords, bins=bins, alpha=0.7, color='#4ECDC4') axes[1].set_title(f'Y轴坐标分布\n（均值: {stats["Y轴"]["平均值"]:.2f}, 标准差: {stats["Y轴"]["标准差"]:.2f}）', pad=15) axes[1].set_xlabel('坐标值', fontsize=12) axes[1].set_ylabel('频数', fontsize=12) axes[1].grid(True, alpha=0.3) axes[1].xaxis.set_major_locator(MaxNLocator(6)) # Z轴坐标分布（蓝色） axes[2].hist(z_coords, bins=bins, alpha=0.7, color='#45B7D1') axes[2].set_title(f'Z轴坐标分布\n（均值: {stats["Z轴"]["平均值"]:.2f}, 标准差: {stats["Z轴"]["标准差"]:.2f}）', pad=15) axes[2].set_xlabel('坐标值', fontsize=12) axes[2].set_ylabel('频数', fontsize=12) axes[2].grid(True, alpha=0.3) axes[2].xaxis.set_major_locator(MaxNLocator(6)) # 调整子图间距，避免标题/标签重叠 plt.tight_layout() # 保存图片（高分辨率300dpi，适合后续使用） plot_path = os.path.join(output_dir, 'coordinate_distributions.png') plt.savefig(plot_path, dpi=300, bbox_inches='tight') print(f"坐标分布图已保存到: {plot_path}") # 显示图片（如果运行环境支持GUI） plt.show() if __name__ == "__main__": # 配置路径（请根据实际情况修改） LDR_FOLDER = "/public/home/wangshuo/gap/assembly/data/car_1k/subset_self/ldr_l30_rotrans_expand_wom" # LDR文件根目录 OUTPUT_DIR = "./ldr_coordinate_analysis" # 结果输出目录（统计CSV+分布图） # 1. 分析所有LDR文件的坐标 all_translated_coords = analyze_ldr_folder(LDR_FOLDER) # 2. 绘制并保存坐标分布图 if all_translated_coords is not None: plot_coordinate_distributions(all_translated_coords, OUTPUT_DIR)