23

我有一个一维 numpy 数组，我想对其进行下采样。如果下采样栅格不能完全拟合数据，则可以使用以下任何方法：

  • 重叠下采样间隔
  • 将最后剩余的任何数量的值转换为单独的下采样值
  • 插值以适应栅格

基本上如果我有

1 2 6 2 1

而且我将采样率降低了 3 倍，以下所有情况都可以：

3 3

3 1.5

或任何插值在这里给我的东西。

我只是在寻找最快/最简单的方法来做到这一点。

我找到scipy.signal.decimate了，但这听起来像是对值进行了抽取（根据需要将它们取出，并且只在 X 中留下一个）。 scipy.signal.resample似乎有正确的名字，但我不明白他们在描述中的整个傅立叶事件的去向。我的信号不是特别周期性。

你能帮我一下吗？这似乎是一项非常简单的任务，但所有这些功能都非常复杂......

4

3 回答 3

31

R在您的数组大小可被下采样因子 ( )整除的简单情况下，您可以reshape创建数组，并沿新轴取平均值：

import numpy as np
a = np.array([1.,2,6,2,1,7])
R = 3
a.reshape(-1, R)
=> array([[ 1.,  2.,  6.],
         [ 2.,  1.,  7.]])

a.reshape(-1, R).mean(axis=1)
=> array([ 3.        ,  3.33333333])

在一般情况下，您可以用NaNs 将数组填充到可被 整除的大小R，并使用 取平均值scipy.nanmean。

import math, scipy
b = np.append(a, [ 4 ])
b.shape
=> (7,)
pad_size = math.ceil(float(b.size)/R)*R - b.size
b_padded = np.append(b, np.zeros(pad_size)*np.NaN)
b_padded.shape
=> (9,)
scipy.nanmean(b_padded.reshape(-1,R), axis=1)
=> array([ 3.        ,  3.33333333,  4.])
于 2013-12-02T06:57:50.267 回答
2

以下是一些使用线性插值或傅里叶方法的方法。这些方法支持上采样和下采样。

import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import resample
from scipy.interpolate import interp1d

def ResampleLinear1D(original, targetLen):
    original = np.array(original, dtype=np.float)
    index_arr = np.linspace(0, len(original)-1, num=targetLen, dtype=np.float)
    index_floor = np.array(index_arr, dtype=np.int) #Round down
    index_ceil = index_floor + 1
    index_rem = index_arr - index_floor #Remain

    val1 = original[index_floor]
    val2 = original[index_ceil % len(original)]
    interp = val1 * (1.0-index_rem) + val2 * index_rem
    assert(len(interp) == targetLen)
    return interp

if __name__=="__main__":

    original = np.sin(np.arange(256)/10.0)
    targetLen = 100

    # Method 1: Use scipy interp1d (linear interpolation)
    # This is the simplest conceptually as it just uses linear interpolation. Scipy
    # also offers a range of other interpolation methods.
    f = interp1d(np.arange(256), original, 'linear')
    plt.plot(np.apply_along_axis(f, 0, np.linspace(0, 255, num=targetLen)))

    # Method 2: Use numpy to do linear interpolation
    # If you don't have scipy, you can do it in numpy with the above function
    plt.plot(ResampleLinear1D(original, targetLen))

    # Method 3: Use scipy's resample
    # Converts the signal to frequency space (Fourier method), then back. This
    # works efficiently on periodic functions but poorly on non-periodic functions.
    plt.plot(resample(original, targetLen))

    plt.show()
于 2019-06-07T22:20:24.760 回答
0

如果数组大小不能被下采样因子 (R) 整除，则可以使用 np.linspace 后跟每个子数组的平均值来对数组进行整形（拆分）。

input_arr = np.arange(531)

R = 150 (number of split)

split_arr = np.linspace(0, len(input_arr), num=R+1, dtype=int)

dwnsmpl_subarr = np.split(input_arr, split_arr[1:])

dwnsmpl_arr = np.array( list( np.mean(item) for item in dwnsmpl_subarr[:-1] ) )
于 2017-12-21T18:12:52.973 回答