Question

鉴于NumPY中的NxM矩阵，我希望将其下采样为NxO矩阵（O <<< M），以便从原始矩阵中等间隔的采样中线性插值NxO矩阵中的值。

例如，考虑一个3x10的矩阵：

[
    [1  2  3  4  5  6  7  8  9  10]
    [10 9  8  7  6  5  4  3  2  1 ]
    [4  6  4  6  4  6  4  6  4  6 ]
]

如果我将其降采样为3x4矩阵，则值可能会像这样对齐：

1   2   3   4   5   6   7   8   9   10
|---|---|---|---|---|---|---|---|---|
       *      *       *      *      
       1      2       3      4

通常，在将M个原始元素下采样为O个新元素的情况下，应该从(M-1)/(O+1)中采样第一个元素，并在(M-1)/(O+1)的步骤中进行其他采样。在上图中可以看到，其中10个原始元素在元素之间产生9个“间隙”。我们希望将这个9个“间隙”的距离分为5个相等的部分（在左右两个元素之间留有相等的间隔，每个元素之间留有相等的间隔）。因此，每个新元素相距9/5 = 1.8个“间隙”：

新元素0 =旧元素1.8
新元素1 =旧元素3.6
新元素2 =旧元素5.4
新元素3 =旧元素7.2

使用基本线性插值，我们可以说“元素1.8”是元素2的80％加上元素1的20％

因此，我的最终矩阵将如下所示：

[
    [2.8 4.6 6.4 8.2]
    [8.2 6.4 4.6 2.8]
    [4.4 4.8 5.2 5.6]
]

我考虑过只是编写一个用于计算输出值并使用np.apply_along_axis()方法的函数，但是后来我看到this StackOverflow post表示这样做只是围绕for循环的脆弱包装，更好地向量化您的函数。

那么如何将其向量化？能做到吗？

Answer 1

尝试此功能

def downsample(m, samples):
    weights = np.zeros((m.shape[1], samples))
    for n in range(samples):
        pos = ((m.shape[1] - 1) / (samples + 1)) * (n + 1)
        if pos == np.floor(pos):
            weights[int(np.floor(pos)), n] = 1
        else:
            weights[int(np.ceil(pos)), n] = pos - int(np.floor(pos))
            weights[int(np.floor(pos)), n] = int(np.ceil(pos)) - pos
    return np.matmul(m, weights)

它将根据您描述的插值创建一个权重矩阵，然后将该权重应用于整个矩阵。

如何使用NumPY向量化缩小比例功能？

1 个答案: