我的(x, y)
信号在x
中的采样率不均匀。 (采样率大致与1 / x成比例)。我尝试使用scipy.signal
resample
函数对其进行统一重新抽样。根据我从文档中理解的内容,我可以传递以下参数:
scipy.resample(array_of_y_values, number_of_sample_points, array_of_x_values)
它会返回
的数组 [[resampled_y_values],[new_sample_points]]
我希望它返回一个统一采样数据,其原始形式大致相同,具有相同的最小和最大x
值。但它没有:
# nu_data = [[x1, x2, ..., xn], [y1, y2, ..., yn]]
# with x values in ascending order
length = len(nu_data[0])
resampled = sg.resample(nu_data[1], length, nu_data[0])
uniform_data = np.array([resampled[1], resampled[0]])
plt.plot(nu_data[0], nu_data[1], uniform_data[0], uniform_data[1])
plt.show()
它看起来没有改变,x尺度也已调整大小。如果我试图修正范围:自己构造所需的均匀x值并使用它们,失真仍然存在:
length = len(nu_data[0])
resampled = sg.resample(nu_data[1], length, nu_data[0])
delta = (nu_data[0,-1] - nu_data[0,0]) / length
new_samplepoints = np.arange(nu_data[0,0], nu_data[0,-1], delta)
uniform_data = np.array([new_samplepoints, resampled[0]])
plt.plot(nu_data[0], nu_data[1], uniform_data[0], uniform_data[1])
plt.show()
如果不是这样,统一重新采样数据的正确方法是什么?
答案 0 :(得分:3)
请看这个粗略的解决方案:
import matplotlib.pyplot as plt
from scipy import interpolate
import numpy as np
x = np.array([0.001, 0.002, 0.005, 0.01, 0.02, 0.05, 0.1, 0.2, 0.5, 1, 2, 5, 10, 20])
y = np.exp(-x/3.0)
flinear = interpolate.interp1d(x, y)
fcubic = interpolate.interp1d(x, y, kind='cubic')
xnew = np.arange(0.001, 20, 1)
ylinear = flinear(xnew)
ycubic = fcubic(xnew)
plt.plot(x, y, 'X', xnew, ylinear, 'x', xnew, ycubic, 'o')
plt.show()
这是scipy页面的一个更新示例。如果你执行它,你应该看到这样的东西:
蓝色十字架是初始功能,您的信号采样分布不均匀。并且有两个结果 - 橙色x - 表示线性插值,绿色点 - 三次插值。问题是您更喜欢哪个选项?我个人不喜欢他们两个,这就是为什么我通常采用4点并在它们之间进行插值,然后是另一个点...进行立方插值而没有那些奇怪的问题。这是更多的工作,而且我也看不到用scipy做这件事,所以它会很慢。这就是我询问数据大小的原因。