1

我有一个看起来像这样的数据集（一维 python 列表）：

[0,0,0,0,4,5,6,6,4,0,0,0,0,0,0,2,0,0,0,6,4,5,6,0,0,0,0,0]

我正在尝试根据上一个窗口找到变化的截止点。

我正在寻找以下输出：

[4, 9, 19, 23]

假设我的窗口需要至少为 3，变化必须至少发生 3 个连续元素和数据中的一些噪声，我想出了：

  • 用至少 2 个元素填充窗口
  • 计算标准偏差，将 stddev 内的所有后续点添加到该窗口。每次添加新点时重新计算。
  • 当一个点在 stddev 之外（例如这里的第一次出现 4），确保下一个点也在 stddev 之外（第一次出现 5），如果是这样，则在第一个异常点上附加一个新索引（ 4 这里）。如果不继续添加到当前窗口。
  • 新的“偏差”值成为比较的窗口，重复。

有没有更好的方法来做到这一点，或者内置的 numpy 函数来帮忙？

谢谢。

编辑

@qwwqwwq 提出的解决方案效果很好，但我还有一个小限制 - 我意识到我的列表值没有相同的权重。假设这个新数据集：

[(10, 0), (20, 0), (15, 0), (20, 0), (8, 4), (10, 5), (15, 6), (15, 6), (10, 4), (5, 0),(5, 0), (20, 0), (10, 0), (8, 0),(5, 0), (10, 2), (5, 0), (5, 0), (5,0), (10,6) ,(5, 4), (5,5), (10, 6), (10, 0),(10,0) ,(10,0) ,(10,0) ,(10,0)]
  • 其中 pos 0 是以秒为单位的持续时间
  • pos 1 是我的价值
  • 考虑峰值的最短时间是 30 秒

widths = np.array([2]我怎么能用我的最短时间代替？

我知道我可以采取slope_down_begin_points，检查最接近的slope_down_begin_points，看看两者之间的点持续时间之和是否>最小时间。我不是很熟悉signal，希望有更好的东西吗？

编辑 2

另一种更简单、更天真的方法是将 >0 的值组合在一起，并将 [0] 和 [-1] 值作为边缘切片。

for k, g in groupby(x, key=lambda v: v[1] == 0):
    print k,g
    group = list(g)
    # only consider if long enough
    if sum([z[0] for z in group]) > some_minumum_time:
        # do stuff
4

1 回答 1

1

对于这个问题，我能想到的最佳方法是将样条曲线拟合到数组中，求导数，然后找到所有局部最大值。这些局部最大值应该代表峰的边界，我认为这就是你所追求的。我的做法：

from scipy import signal
from scipy import interpolate
import numpy as np
from numpy import linspace

x = [0,0,0,0,4,5,6,6,4,0,0,0,0,0,0,2,0,0,0,6,4,5,6,0,0,0,0,0]
s = interpolate.UnivariateSpline( linspace(0,len(x)-1,len(x)), np.array(x) )
ds = s.derivative()

slope_down_begin_points = [ p for p in signal.find_peaks_cwt( vector = [ -ds(v) for v in range(len(x)) ], widths = np.array([2]) ) if x[p-1] >= 1 ]

slope_up_begin_points = [ p for p in signal.find_peaks_cwt( vector = [ ds(v) for v in range(len(x)) ], widths = np.array([2]) ) if x[p+1] >= 1 ]

slope_up_begin_points + slope_down_begin_points
>> [4, 9, 16, 19, 23]

16包含在此方法中是因为它本身就是一个小峰值，如果您摆弄find_peaks_cwt/UnivariateSpline参数，您应该能够将其过滤掉..

于 2013-10-21T22:49:35.957 回答