相关疑难解决方法(0)

这似乎是一个非常直接的问题，但我想不出解决方案。假设我有一个y包含 8000 个样本的正弦函数：

import numpy as np

Fs = 8000
f = 1
npts = 8000
x = np.arange(npts)
y = np.sin(2 * np.pi * f * x / Fs)

我想将这个函数下采样到 6000 个样本，所以我尝试了这个回答类似问题的方法......

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 …

在numpy中我有成千上万的val.我想通过平均相邻值来减小其大小.例如:

a = [2,3,4,8,9,10]
#average down to 2 values here
a = [3,9]
#it averaged 2,3,4 and 8,9,10 together

所以,基本上,我在数组中有n个元素,我想告诉它平均下降到X个值,并且它的平均值如上所述.

有没有办法用numpy做到这一点(已经将它用于其他事情,所以我想坚持下去).

我找到了以下方法来对 python 中的信号进行下采样。我想在 asample_rate为 100.21 时使用此方法，但我认为目前它仅适用于 2 的整数幂。是否可以将频率 100.21 Hz 的信号下采样至 8 Hz？

def interpolateDataTo8Hz(data,sample_rate,startTime):
    # Downsample
    idx_range = range(0,len(data))
    data = data.iloc[idx_range[0::int(sample_rate)/8]]

    # Set the index to be 8Hz
    data.index = pd.DatetimeIndex(start=startTime,periods = len(data),freq='125L')

    # Interpolate all empty values
    data = interpolateEmptyValues(data)
    return data

def interpolateEmptyValues(data):
    cols = data.columns.values
    for c in cols:
        data[c] = data[c].interpolate()

    return data