1 使用csvread函数
csvread()函数有三种使用方法：
M = csvread('filename')
M = csvread('filename', row, col)
M = csvread('filename', row, col, range)
第一种方法中，直接输入文件名，将数据读到矩阵M中。这里要求csv文件中只能包含数字。
第二种方法中，除了文件名，还指定了开始读取位置的行号（row）和列号（col）。
**这里，行号、列号以0开始计数。**也就是说，row=0, col=0表示从文件中第一个数开始读。
第三种方法中，range限定了读取的范围。range = [R1 C1 R2 C2]，这里（R1，C1）是读取区域的左上角，（R2，C2）是读取区域的右下角。在使用这种方法时，要求row, col等于range中的前两项。
注意：csv文件中的空项，读到矩阵中时，会初始化为0.
2 使用importdata函数
importdata('myfile.cvs')
前提条件是，都是数据格式
3 使用load函数
B = load('data.csv')
前提条件是，都是数据格式
4 直接拖到Matlab的工作区
如果文件中全部都是数据的话，可以直接将数据拖动到Matlab的工作区内。
在保证所有数据都被选中的情况下，在工具栏的“导入的数据”中选择要导入数据的类型，如果全部为数据，则可以导出为列矢量或者数值矩阵。
由于csv文件中含有字符串信息，所以采取第一种方法，注意，第一个元素的位置是（0,0）！在MATLAB中输入：
AutoPilotMat = csvread('auto_pilot_enabled__info.csv',1,0);
得到csv中的数据矩阵
依次读取所有数据，并整合到一个矩阵中
AutoPilotMat = csvread('auto_pilot_enabled__info.csv',1,0);
FollowExpectMat = csvread('follow_expect_value_data.csv',1,0);
FollowRealMat = csvread('follow_real_value_data.csv',1,0);
FollowMatRaw = [AutoPilotMat(:,:),FollowExpectMat(:,2),FollowRealMat(:,2)];
然后提取属于自动驾驶部分的有效数据，进行滤波（除去200米的数据），除去之后用左右两边的数据来进行线性插值，要注意查找左右两边数据的时候，不要超出边界，查找边界的处理逻辑为：
if (200 == M(i,2))
% search left side to find valid value
left = i;
leftEdgeFlag = 0;
while( M(left,2) == 200 )
% if go to the edge, set leftEdgeFlag, then break
if (1 == left)
leftEdgeFlag = 1;
break;
else
left = left-1;
end
end
leftValidValue = M(left,2);
end
线性插值的逻辑为：
distanceLeft = i-left;
distanceRight = right-i;
distanceTotal = right-left;
weightCoefficient = [distanceLeft/distanceTotal,distanceRight/distanceTotal];
estimateValue = [leftValidValue,rightValidValue]*weightCoefficient';
最后画图，添加说明信息：
% start to figure
figure;
% plot expected follow distance with green lines
plot(M(:,1),'g');
hold on;
% plot real follow distance with red lines
plot(M(:,2),'r');
% add label, title and legends
xlabel('frame','Fontsize',12);
ylabel('distance(m)','Fontsize',12);
title('Follow Distance Offset','Fontsize',18)
legend('expect follow distance','real follow distance')
得到：
完整MATLAB代码：
% function: 1, parse the csv files, reorgnize csv files
% 2, filter data and renew the error value
% 3, plot figure to analysis expected follow distance vs
% real follow distance
% contributor: liukai
% version: v1.0
% last modify time: 2019.05.22.15.04
clear all;
close all;
clc;
AutoPilotMat = csvread('auto_pilot_enabled__info.csv',1,0);
FollowExpectMat = csvread('follow_expect_value_data.csv',1,0);
FollowRealMat = csvread('follow_real_value_data.csv',1,0);
% merge all these data
FollowMatRaw = [AutoPilotMat(:,:),FollowExpectMat(:,2),FollowRealMat(:,2)];
% auto pilot is on from row 7026
% extract auto pilot data, first column = follow_expect, secend column =
% follow_real
AutoPilotFollowMat = FollowMatRaw(7026:8495,3:4);
% filt data which is 200, use average data to replace it
M = AutoPilotFollowMat;
for i = 1:size(M,1)
if (200 == M(i,2))
% search left side to find valid value
left = i;
leftEdgeFlag = 0;
while( M(left,2) == 200 )
% if go to the edge, set leftEdgeFlag, then break
if (1 == left)
leftEdgeFlag = 1;
break;
else
left = left-1;
end
end
leftValidValue = M(left,2);
% search right side to find valid value
right = i;
while( M(right,2) == 200 )
% if go to the edge, set rightEdgeFlag, then break
if ( size(M,1) == right)
rightEdgeFlag = 1;
break;
else
right = right+1;
end
end
rightValidValue = M(right,2);
% estimate real value, linear addition
distanceLeft = i-left;
distanceRight = right-i;
distanceTotal = right-left;
weightCoefficient = [distanceLeft/distanceTotal,distanceRight/distanceTotal];
estimateValue = [leftValidValue,rightValidValue]*weightCoefficient';
% renew 200 with estimateValue
M(i,2) = estimateValue;
end
end
% filteredAutoPilotFollowMat = M;
% start to figure
figure;
% plot expected follow distance with green lines
plot(M(:,1),'g');
hold on;
% plot real follow distance with red lines
plot(M(:,2),'r');
% add label, title and legends
xlabel('frame','Fontsize',12);
ylabel('distance(m)','Fontsize',12);
title('Follow Distance Offset','Fontsize',18)
legend('expect follow distance','real follow distance')