Question

我正在尝试使用astropy模块来平滑我的数据。作为一维示例，我尝试了以下代码：

import numpy as np
from astropy import convolution as conv
var1=np.arange(10)
kernel=np.asarray([-1,1,0])
conv.convolve(var1,kernel)

这会在我的案例中返回：array([ nan, nan, nan, nan, nan, nan, nan, nan, nan, nan])

我认为它应该返回array([0,1,1,1,1,1,1,1,1,1])。我尝试过使用var1数据类型uint8，int8和float32。我也尝试使用convolve_fft，结果相同。

我熟悉scipy的卷积滤波器，但我想在我的数据中实际存在NaN值时使用astropy，以便平滑它们。

Answer 1

你的内核总和为零，因此astropy会引发警告

RuntimeWarning: invalid value encountered in true_divide kernel_internal /= kernel_sum

最终导致所有nans。

Answer 2

正如已经指出的那样，因为你的内核之和为零：

>>> import numpy as np
>>> np.sum(kernel)  # kernel = np.asarray([-1,1,0])
0

如果不对kernel进行规范化，那么本身就不会有问题，但astropy.convolution.convolve总是将内核规范化为内插NaN（因为astropy 1.3也被屏蔽）值数组并将结果再次乘以原始内核的总和（除非您明确使用normalize_kernel=True）。

即使你已经说过你熟悉它，你仍然可以使用scipy.ndimage.convolve：

>>> from scipy.ndimage import convolve

>>> convolve(var1, kernel[::-1])  # var1=np.arange(10)
array([0, 1, 1, 1, 1, 1, 1, 1, 1, 1])

自己进行插值和卷积以及NaN位置！（不是很好，但使用零和，不对称和混合签名内核，你不能正确地进行卷积）。

但是，在使用scipy时，您需要反转（因此[::-1]）内核。

在你的情况下，你也可以简单地使用numpy.diff（它会降低前导零）：

>>> np.diff(var1)
array([1, 1, 1, 1, 1, 1, 1, 1, 1])