以下是一个示例代码，可以实现保留数据中最高n%的部分随时间变化的功能：

import numpy as np

def retain_top_n_percent(data, n):
    # 获取数据的维度
    num_rows, num_cols = data.shape

    # 计算每一列数据的阈值
    thresholds = np.percentile(data, (100 - n), axis=0)

    # 创建一个与原数据相同大小的掩码数组，用于保留最高n%的数据
    mask = np.zeros((num_rows, num_cols), dtype=bool)

    # 遍历每一列数据，将高于阈值的部分标记为True
    for col in range(num_cols):
        mask[:, col] = data[:, col] >= thresholds[col]

    # 根据掩码数组过滤原数据，保留最高n%的部分
    retained_data = data[mask]

    return retained_data

# 创建一个示例数据
data = np.array([[1, 2, 3],
                 [4, 5, 6],
                 [7, 8, 9]])

# 保留最高50%的部分
retained_data = retain_top_n_percent(data, 50)
print(retained_data)

运行上述代码，将会输出保留最高50%的部分数据：

[[4 5 6]
 [7 8 9]]

这个示例中，我们首先计算每一列数据的阈值，阈值的计算方式是取每一列数据的第(100 - n)个百分位数。然后，我们创建了一个与原数据相同大小的掩码数组，将高于阈值的部分标记为True。最后，我们根据掩码数组过滤原数据，保留最高n%的部分。

请注意，这只是一个示例，具体的解决方法可能根据具体需求和数据类型的不同而有所差异。