下采样1D numpy阵列

Question

我有一个1-n numpy数组，我想下采样。 如果下采样栅格不完全适合数据，则可以使用以下任何方法：

• 重叠下采样间隔
• 将最后剩余的数值转换为单独的下采样值
• 插值以适合栅格

基本上如果我有

1 2 6 2 1

我的下采样率为3，所有以下都可以：

3 3

3 1.5

或者插值会给我的任何东西。

我只是在寻找最快/最简单的方法。

我找到了scipy.signal.decimate ，但这听起来像是取消了这些值（根据需要取出它们，只在X中留下一个）。 scipy.signal.resample似乎有正确的名称，但我不明白他们在描述中的整个傅立叶的位置。 我的信号不是特别周期性的。

你能帮我一把吗？ 这似乎是一项非常简单的任务，但所有这些功能都非常错综复杂......

Answer 1

在简单的情况下，您的数组大小可以被下采样因子（ R ）整除，您可以reshape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，您可以使用NaN将数组填充到可被R整除的大小，并使用scipy.nanmean取平均值。

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.])

Answer 2

如果数组大小不能被下采样因子（R）整除，则可以使用np.linspace后跟每个子数组的均值来完成数组的重新整形（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] ) )

Answer 3

以下是使用线性插值或傅立叶方法的一些方法。 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()