用 Python 整理 LTspice 波形与效率曲线

仿真完成后，真正耗时的往往不是运行本身，而是反复导出、复制、改列名、算平均值和调整图表。把这些步骤写成脚本，可以让同一组规则稳定地作用于每一次结果。

保留三层文件

建议将数据分成三个层次：

1. raw/：仿真软件直接导出的原始文件，只读保存；
2. processed/：统一列名、单位和采样范围后的数据；
3. figures/：由脚本生成的图表。

这样可以随时从原始文件重新生成结果，也能清楚判断某个数值来自仿真还是后处理。

一个简单的处理入口

from pathlib import Path
import pandas as pd

def load_trace(path: Path) -> pd.DataFrame:
    frame = pd.read_csv(path)
    frame.columns = [name.strip().lower() for name in frame.columns]
    return frame.sort_values("time").drop_duplicates("time")

def average_after(frame: pd.DataFrame, start: float, column: str) -> float:
    window = frame.loc[frame["time"] >= start, column]
    if window.empty:
        raise ValueError("selected steady-state window is empty")
    return float(window.mean())

脚本应当在输入缺列、时间窗口为空或单位不明时主动失败，而不是安静地产生一张看似正常的图。

图表也是测试结果

统一坐标单位、线宽、字体与图例位置后，不同工况之间更容易比较。与此同时，最好将关键计算值另存为 CSV 或 JSON，避免以后只能从图片上估读。

当处理流程可以由一条命令重复执行时，工程记录才真正从“手工截图”变成了可追溯的数据产品。