本文介绍如何将分散存储的33个身体关键点（如nose、left_eye等）的x/y/z坐标，按时间戳对齐并合并为单行记录——即每33行原始数据（每个关键点1行）压缩为1行，含99个坐标列（33×3）及对应统一时间戳。
本文介绍如何将分散存储的33个身体关键点（如nose、left_eye等）的x/y/z坐标，按时间戳对齐并合并为单行记录——即每33行原始数据（每个关键点1行）压缩为1行，含99个坐标列（33×3）及对应统一时间戳。
在姿态估计数据导出场景中，常见错误是将每个关键点（如NOSE_x, NOSE_y, NOSE_z）单独写入一行，导致33个关键点被拆散到33行，而实际应用（如动作分析、时序建模）通常要求每个时间步长对应一行完整数据：即1行包含全部33个关键点的99维坐标（x/y/z各33个），并配一个统一的时间戳。
你的原始代码中，save_data_to_excel() 每处理一个关键点就追加一行，造成“1关键点=1行”的扁平结构。正确做法应是：按批次聚合——每收集完33个关键点（对应同一帧/同一时刻），才生成1行完整记录。
✅ 正确实现思路（推荐重构逻辑）
不再逐关键点追加，而是按帧（frame）组织数据：
def save_data_to_excel(self):
# 预定义33关键点顺序（确保与模型输出严格一致）
body_pose = [
'NOSE', 'LEFT_EYE_INNER', 'LEFT_EYE', 'LEFT_EYE_OUTER', 'RIGHT_EYE_INNER',
'RIGHT_EYE', 'RIGHT_EYE_OUTER', 'LEFT_EAR', 'RIGHT_EAR', 'MOUTH_LEFT',
'MOUTH_RIGHT', 'LEFT_SHOULDER', 'RIGHT_SHOULDER', 'LEFT_ELBOW', 'RIGHT_ELBOW',
'LEFT_WRIST', 'RIGHT_WRIST', 'LEFT_PINKY', 'RIGHT_PINKY', 'LEFT_INDEX',
'RIGHT_INDEX', 'LEFT_THUMB', 'RIGHT_THUMB', 'LEFT_HIP', 'RIGHT_HIP',
'LEFT_KNEE', 'RIGHT_KNEE', 'LEFT_ANKLE', 'RIGHT_ANKLE', 'LEFT_HEEL',
'RIGHT_HEEL', 'LEFT_FOOT_INDEX', 'RIGHT_FOOT_INDEX'
]
data_dict = {pose_type: [] for pose_type in ['pose', 'right_hand', 'left_hand']}
for pose_type, pose_data in self.alldata:
# 按关键点顺序遍历，确保列序固定
frame_data = {}
timestamp = datetime.now().strftime("%H:%M:%S.%f")
# 为当前帧初始化空字典，并注入时间戳
frame_data['Timestamp'] = timestamp
# 逐关键点填充 x/y/z 字段（注意：key 必须与 body_pose 顺序完全一致）
for key in body_pose:
coords = pose_data.get(key, [0.0, 0.0, 0.0]) # 默认[0,0,0]防缺失
frame_data[f'{key}_X'] = coords[0]
frame_data[f'{key}_Y'] = coords[1]
frame_data[f'{key}_Z'] = coords[2]
data_dict[pose_type].append(frame_data)
# 写入Excel（每sheet对应一种姿态类型）
with pd.ExcelWriter('koordinat.xlsx') as writer:
for pose_type, data in data_dict.items():
df = pd.DataFrame(data)
df.to_excel(writer, sheet_name=pose_type, index=False)? 关键说明与注意事项
- 时间戳一致性：所有33个关键点共享同一个Timestamp（代表该帧采集时刻），而非每关键点独立打时间戳；
- 列顺序保障：必须严格按 body_pose 列表顺序生成字段名（如 NOSE_X, NOSE_Y, ..., RIGHT_FOOT_INDEX_Z），否则下游解析会错位；
- 缺失值处理：使用 pose_data.get(key, [0.0,0.0,0.0]) 避免因某关键点未检测到导致 KeyError 或维度断裂；
- 性能提示：若数据量极大，可改用 pd.concat() 批量构建 DataFrame，避免频繁 append()；
- 验证建议：导出后检查 Excel 行数是否等于帧数（而非关键点数），且每行恰好含 1 + 33×3 = 100 列。
⚠️ 注意：原答案中基于 CSV 行扫描的“状态机式合并”方案适用于已错误导出的碎片化文件再处理；但更优解是从源头修正采集逻辑——即在 save_data_to_excel() 中直接按帧聚合，避免生成脏数据，提升效率与可维护性。
通过上述重构，你将得到符合标准时序分析需求的紧凑格式：每行 = 1帧 = 33关键点 × 3坐标 = 99维特征 + 1时间戳，真正实现“timestamp divisible by 33”的语义对齐。
