如何对一维numpy数组进行下采样？

Question

这似乎是一个非常简单的问题，但我无法解决。 假设我有8000个样本的正弦函数y ：

import numpy as np

Fs = 8000
f = 1
npts = 8000
x = np.arange(npts)
y = np.sin(2 * np.pi * f * x / Fs)

我想将此函数降采样为6000个采样，因此我尝试了针对类似问题的此答案的方法...

import math
from scipy import nanmean

#number of samples I want to downsample to
npts2 = 6000

#calculating the number of NaN values to pad to the array
n = math.ceil(float(y.size)/npts2)
pad_size = n*npts2 - len(y)
padded = np.append(y, np.zeros(int(pad_size))*np.NaN)

#downsampling the reshaped padded array with nanmean
downsampled = nanmean(padded.reshape((npts2, int(n))), axis = 1)

这给了我一个正确长度的数组（6000），但是最后2000个样本（即原始npts和npts2之间的npts2 ）是NaN ，并且函数本身仅占用了前4000个样本。

有没有更好的方法可以使此正弦函数的长度为6000个样本？ 谢谢！

编辑

感谢您的答复-我意识到我现在以错误的方式进行了攻击。 我决定在y函数上使用scipy.interpolate.interp1d函数，然后将生成的np.linspace数组传递给该函数，并插入所需的点数。 这给了我正确缩放的输出。

from scipy.interpolate import interp1d

def downsample(array, npts):
    interpolated = interp1d(np.arange(len(array)), array, axis = 0, fill_value = 'extrapolate')
    downsampled = interpolated(np.linspace(0, len(array), npts))
    return downsampled

downsampled_y = downsample(y, 6000)

Answer 1

8000的初始采样率不能被6000整除，因此不能像引用的帖子一样简单地进行降采样。 在您的情况下，scipy的重新采样应该可以工作。

from scipy import signal
downsampled =  signal.resample(y, 6000)