pip install asammdf

from asammdf import Mdf
 
# 替换为你的MDF文件路径
mdf_file_path = 'path_to_your_mdf_file.mdf'
 
# 加载MDF文件
mdf = Mdf(mdf_file_path)

# 通过名称访问信号
signal_by_name = mdf.get_signal_by_name("SignalName")
 
# 或者通过索引访问
signal_by_index = mdf.signals[0]
 
# 遍历所有信号
for signal in mdf.signals:
    print(signal.name)

# 读取整个信号的数据
data = signal_by_name.samples
 
# 你还可以获取信号的物理单位（如果有的话）
unit = signal_by_name.unit
 
# 也可以选择时间范围来读取数据
# 注意：这可能需要你首先确定文件的时间范围，或者信号的采样时间
start_time = 0  # 起始时间，单位通常为秒
end_time = 10   # 结束时间，单位秒
# 注意：直接使用时间范围来索引信号数据可能不是直接支持的，
# 你可能需要先找到对应的时间索引，或者使用其他方法来筛选数据
# 示例：使用numpy的索引功能（如果知道时间索引）
# data_slice = data[start_index:end_index]
 
# 但更常见的是使用信号对象的get_samples方法（如果它支持时间范围）
# 注意：并非所有版本的asammdf都直接支持按时间范围获取样本
# filtered_data = signal_by_name.get_samples(start_time, end_time)  # 这可能需要根据你的asammdf版本进行调整
 
# 另一种方法是先获取时间数组，然后根据时间数组来索引数据
time_array = mdf.header.channel_group_dict[signal_by_name.channel_group_index].time_set.time_vectors[0]
indices = np.where((time_array >= start_time) & (time_array <= end_time))[0]
filtered_data = data[indices]

# 导出整个文件到CSV（这通常包括所有信号）
# mdf.export('output.csv')
 
# 如果你只想导出特定信号，可能需要编写一些自定义代码来将NumPy数组写入CSV
import numpy as np
 
# 将特定信号的数据写入CSV文件
np.savetxt('specific_signal.csv', filtered_data, delimiter=',', header='Data')