[英]How do I downsample a 1d numpy array?
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)
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)
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.