上篇聊了自动化测试。今天说一个几乎每天都会用到的技能——用Python分析机器人的实验数据。

先讲个场景。

你做了一个抓取机器人，跑了100次抓取实验，每次记录了物体位置、抓取姿态、是否成功、耗时等数据。现在老板问你：抓取成功率多少？不同物体的成功率有差异吗？耗时和成功率有关系吗？

如果你用Excel打开CSV，手动筛选、手动统计——100次还行，1000次呢？而且下次实验又要重新来一遍。

用Python做数据分析，写一次脚本，以后每次实验数据丢进去，报告自动出来。这就是效率差距。

实验日志的格式和读取

机器人实验日志通常有几种格式。最常见的是CSV——每行一次实验记录，每列一个字段。比如：

timestamp,object,position_x,position_y,grasp_angle,success,cycle_time
2024-03-15 10:23:01,cube,0.45,0.12,30.5,1,2.3
2024-03-15 10:23:05,cylinder,-0.32,0.08,45.2,0,3.1
2024-03-15 10:23:09,cube,0.51,-0.15,15.8,1,2.1

用pandas读取一行代码：

import pandas as pd

df = pd.read_csv('experiment_log.csv')
print(df.head())
print(f"总共 {len(df)} 次实验")

还有一种是ROS2的bag文件，需要用rosbags库解析。实际工作中，bag文件通常先导出成CSV再做分析——可以用ros2 bag命令行工具，也可以用Python脚本批量处理。

统计分析：从原始数据到有意义的结论

数据读进来之后，最重要的是统计分析。

基础统计：

# 总体成功率
success_rate = df['success'].mean()
print(f"抓取成功率: {success_rate*100:.1f}%")

# 按物体类型分组统计
grouped = df.groupby('object').agg(
    success_rate=('success', 'mean'),
    avg_time=('cycle_time', 'mean'),
    count=('success', 'count')
)
print(grouped)

这段代码做的事情是：按物体类型分组，分别计算成功率、平均耗时和实验次数。输出结果一目了然——cube的成功率可能95%，cylinder可能只有70%，因为圆柱体容易滑。

更深入的分析可以看相关性：

# 抓取角度和成功率的关系
angle_success = df.groupby(
    pd.cut(df['grasp_angle'], bins=[0, 15, 30, 45, 60, 90])
)['success'].mean()

# 耗时和成功率的关系
import scipy.stats as stats
corr, p_value = stats.pointbiserialr(df['success'], df['cycle_time'])
print(f"耗时与成功率的相關性: r={corr:.3f}, p={p_value:.4f}")

这种分析能告诉你：抓取角度在什么范围内成功率最高？耗时和成功率有没有相关性？这些结论直接影响算法优化方向。

数据可视化：让结论一目了然

统计分析完了，需要用图表展示。前面第73篇聊过Matplotlib基础，这里结合数据分析场景画两张实用的图：

import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 2, figsize=(12, 4))

# 左：不同物体的成功率对比
by_object = df.groupby('object')['success'].mean()
by_object.plot(kind='bar', ax=axes[0], color=['#4C72B0', '#55A868', '#C44E52'])
axes[0].set_title('抓取成功率对比')
axes[0].set_ylabel('成功率')
for i, v in enumerate(by_object.values):
    axes[0].text(i, v + 0.02, f'{v*100:.1f}%', ha='center')

# 右：成功/失败实验的耗时分布
axes[1].hist(df[df['success']==1]['cycle_time'], bins=20, alpha=0.7, label='成功')
axes[1].hist(df[df['success']==0]['cycle_time'], bins=20, alpha=0.7, label='失败')
axes[1].set_xlabel('耗时 (s)')
axes[1].legend()
axes[1].set_title('耗时分布')

plt.tight_layout()
plt.savefig('analysis.png', dpi=150)

左图看不同物体的成功率差异，右图看成功和失败实验的耗时分布有没有区别。这两张图在面试汇报里非常好用——一眼就能看出问题在哪。

自动化报告生成

数据分析的最终产出是报告。手动复制粘贴图表太原始了，Python可以自动化。

最实用的方式是用Jupyter Notebook——分析代码、图表、文字说明都在一个文件里，导出成PDF就是完整的实验报告。也可以用python-docx生成Word格式。

核心逻辑很简单：

def generate_report(csv_path, output_dir):
    df = pd.read_csv(csv_path)
    summary = {
        '总实验次数': len(df),
        '成功率': f"{df['success'].mean()*100:.1f}%",
        '平均耗时': f"{df['cycle_time'].mean():.2f}s",
    }
    by_object = df.groupby('object')['success'].mean()
    # 生成图表...
    plt.savefig(f'{output_dir}/report.png', dpi=150)
    return summary

每次实验完跑一次，报告自动生成。加上日期、实验参数、环境信息，就是标准化的报告模板。

面试中怎么聊数据分析

面试官问数据分析，想考察的不是你会不会用pandas——这个太基础了。他想看的是：你能不能从数据里发现问题、得出结论、指导优化。

一个好的回答思路：先说你做了什么实验，收集了什么数据。然后说你怎么分析的——用了什么统计方法、画了什么图。最后说你从数据里发现了什么——比如"发现抓取角度大于45度时成功率显著下降，于是调整了抓取策略，成功率从75%提升到了90%"。

这种"数据驱动优化"的思路，比"我调了调参数，效果变好了"有说服力得多。

数据分析在机器人项目中的实际应用

机器人项目中经常需要分析大量实验数据，比如传感器日志、性能指标等。Python的pandas库在这方面非常强大。一个典型的场景是：从ROS bag中提取数据，用pandas做统计分析，然后生成报告。面试时如果能举出具体例子，比如用pandas分析了100次导航实验的成功率和耗时分布，会比泛泛而谈有说服力得多。

另外，用matplotlib画实验对比图时，注意配色方案的选择。色盲友好的配色在正式报告中很重要，推荐用seaborn的默认主题，几行代码就能让图表专业度提升一个档次。

给正在准备面试的你

建议你做一个完整的数据分析练习：设计一个实验（可以是仿真的），跑几十次，记录数据，用pandas做统计分析，用matplotlib画三四种图，最后写一段结论。整个过程不超过两小时，但面试的时候你能讲出一个完整的故事。

下篇聊PyTorch快速入门——机器人领域越来越离不开深度学习，了解基本的PyTorch用法很有必要。

---

如果这篇文章对你有帮助，欢迎点赞、在看、转发三连。 你的支持是我持续更新的最大动力。

「机器人软件开发面试·从入门到精通」连载系列 上一篇：第75篇 Python在机器人测试中的应用——自动化测试脚本编写 下一篇预告：第77篇 Python在深度学习中的应用——PyTorch快速入门

有任何问题欢迎评论区留言，我会尽量回复。