Question

我的目标是确定当地最大高于某个阈值的时间（以下面的日期时间格式）。我很欣赏还有其他相关的回应，它们涉及找到局部最大值和最小值的numpy和scipy技术，但据我所知，没有一个能够解决阈值水平。

我有以下pandas.Series，表示为df_1，它存储给定时间的整数值：

t_min
2015-12-26 14:45:00      46
2015-12-26 14:46:00      25
2015-12-26 14:47:00      39
2015-12-26 14:48:00      58
2015-12-26 14:49:00      89
2015-12-26 14:50:00      60
2015-12-26 14:51:00      57
2015-12-26 14:52:00      60
2015-12-26 14:53:00      46
2015-12-26 14:54:00      31
2015-12-26 14:55:00      66
2015-12-26 14:56:00      78
2015-12-26 14:57:00      49
2015-12-26 14:58:00      47
2015-12-26 14:59:00      31
2015-12-26 15:00:00      55
2015-12-26 15:01:00      19
2015-12-26 15:02:00      10
2015-12-26 15:03:00      31
2015-12-26 15:04:00      36
2015-12-26 15:05:00      61
2015-12-26 15:06:00      29
2015-12-26 15:07:00      32
2015-12-26 15:08:00      49
2015-12-26 15:09:00      35
2015-12-26 15:10:00      17
2015-12-26 15:11:00      22

我使用以下内容推断出根据另一个答案here中的响应发生局部最大值的数组索引：

x = np.array(df_1, dtype=np.float)

# for local maxima
print argrelextrema(x, np.greater)

但是我希望生成这些最大值出现的TIMES数组而不是这些索引的整数（现在转换为float）值，正如我在x[argrelextrema(x, np.greater)[0]]找到的那样 - 任何想法如何获得所述时间的数组？

继续这一点，我还打算通过仅选择超过某个阈值的最大值来改进这个时间列表，即其斜率高于某个限制。这将允许我避免获得每一个局部最大值，而是识别最重要的“峰值”。有人会建议如何做到这一点吗？

Answer 1

您可以通过获取移位的x阵列之间的差异来找到峰值：

In [14]: x
Out[14]: 
array([ 46.,  25.,  39.,  58.,  89.,  60.,  57.,  60.,  46.,  31.,  66.,
        78.,  49.,  47.,  31.,  55.,  19.,  10.,  31.,  36.,  61.,  29.,
        32.,  49.,  35.,  17.,  22.])

In [15]: x[1:] - x[:-1]
Out[15]: 
array([-21.,  14.,  19.,  31., -29.,  -3.,   3., -14., -15.,  35.,  12.,
       -29.,  -2., -16.,  24., -36.,  -9.,  21.,   5.,  25., -32.,   3.,
        17., -14., -18.,   5.])

x[1:] - x[:-1]的值给出x值之间的“斜率”。通过选择此斜率从正变为负的位置，您可以找到原始数组中峰的索引。

In [33]: slope = x[1:] - x[:-1]

In [34]: indices = [i+1 for i in range(len(slope)-1) if slope[i] > 0 and slope[i+1] < 0]

In [35]: indices
Out[35]: [4, 7, 11, 15, 20, 23]

In [36]: [x[j] for j in indices]
Out[36]: [89, 60, 78, 55, 61, 49]

我没有费心列出时间清单，但是因为你对指数有所了解......

Answer 2

如果我理解正确，您在使用argrelextrema之后需要做的就是将这些索引应用于时间。提供了您的初始代码段：

x = np.array(df_1, dtype=np.float)

# for local maxima
print argrelextrema(x, np.greater)

您需要做的只是修改它：

indices = argrelextrema(x, np.greater)
df_1['time'] = df_1.index # to turn your times into a column of a dataframe - they are currently in index, right?

# So your solution is this:
print df_1.ix[indices[0], 'time']  # the [0] is there because argrelextrema returns a tuple of the array of indices and dtype, so the first item of the tuple are the indices themselves

Answer 3

从SciPy 1.1版开始，您还可以使用find_peaks：

import numpy as np                    
import matplotlib.pyplot as plt
from scipy.signal import find_peaks 

x = np.array([ 46.,  25.,  39.,  58.,  89.,  60.,  57.,  60.,  46.,  31.,  66.,
        78.,  49.,  47.,  31.,  55.,  19.,  10.,  31.,  36.,  61.,  29.,
        32.,  49.,  35.,  17.,  22.])

peaks, _ = find_peaks(x)

plt.plot(x)
plt.plot(peaks, x[peaks], "x")
plt.show()

这将绘制出所有局部最大值：

如果您现在想使用阈值（例如60），则可以使用（其余代码相同）：

peaks, _ = find_peaks(x, height=60)

这将绘图：

在1D numpy数组中使用Numpy查找超过特定阈值的最大值

3 个答案: