我有一些JS用图像做一些操作.我想要像pixelart一样的图形,所以我不得不在图形编辑器中放大原始图像.但我认为用小图像进行所有操作然后用html5功能放大它是个好主意.这将节省大量的处理时间(因为现在我的演示(警告:域名可能会导致工作中的一些问题等)在Firefox中加载非常长时间,例如).但是当我尝试调整图像大小时,它会被双重重采样.如何在不重新采样的情况下调整图像大小？有没有任何crossbrowser解决方案？
我开发了一个内核模块(Android),它为我提供:
PCM
16-bit
48000 Hz
2 channel
我想把它流式传输到Java的Apple机场快线(AEX).
AEX需要44.1 kHz PCM,因此我必须重新采样PCM流.
我有以下可能性,但哪个最好？
advantages:
high-performant due to native C
already uses libsamplerate to resample wav, mp3, ogg, flac, aac, pls
openssl as static library
usable via command-line from my java-program via Runtime.exec()
disadvantages:
I am relative new to C
overloaded: I don't need wav, mp3.. only PCM
many dependencies with GPL-libraries which I have to compile for Android
only supports PCM already with 44.1 kHz, no resampling for …我是R的新手,所以这个问题非常基础,但我一直在努力,无法找到有效的解决方案.我想从同一区域的一些地图中创建一个栅格砖.它们以HDF-EOS格式下载,我使用Modis重投影工具将它们转换为.tif.
生成的栅格具有相同的投影,但其范围,分辨率和原点不同.
我尝试了几种方法,总结如下:
手动定义子集范围并对所有栅格进行子集化.然后尝试用子集栅格制作砖块
重新采样栅格,为它们提供相同数量的列和行.理想情况下,这将确保栅格单元对齐并可放入栅格砖中.此选项创建了一个块,其中栅格没有值,它们是空的.
我想知道我应该遵循什么概念来纠正程度.创建一个空栅格是否正确(有效),我将在后面用导入的栅格图像的值填充它？你能看出我弄错了吗？如果它是相关的,我正在使用Mac OSX版本10.9.1,并使用rgdal版本0.8-14
任何帮助将非常感谢!
谢谢
我在这里添加我一直使用的代码:
# .tif files have been creating using the Modis Reprojection Tool. Input
# files used for this Tool was LANDSAT HDF-EOS imagery.
library(raster)
library(rgdal)
setwd()=getwd()
# Download the files from dropbox:
dl_from_dropbox <- function(x, key) {
require(RCurl)
bin <- getBinaryURL(paste0("https://dl.dropboxusercontent.com/s/", key, "/", x),
ssl.verifypeer = FALSE)
con <- file(x, open = "wb")
writeBin(bin, con)
close(con)
message(noquote(paste(x, "read into", getwd()))) …在这个SO问题broom::bootstrap中，使用指定by_group参数的函数由多个组和子组引导似乎很容易TRUE。
我想要的输出是一个包含 n 行的嵌套 tibble，其中数据列包含每个引导程序调用生成的引导数据（每个组和子组具有与原始数据相同数量的案例）。
在broom我做了以下事情：
# packages
library(dplyr)
library(purrr)
library(tidyr)
library(tibble)
library(rsample)
library(broom)
# some data to bootstrap
set.seed(123)
data <- tibble(
group=rep(c('group1','group2','group3','group4'), 25),
subgroup=rep(c('subgroup1','subgroup2','subgroup3','subgroup4'), 25),
v1=rnorm(100),
v2=rnorm(100)
)
# the actual approach using broom::bootstrap
tibble(id = 1:100) %>%
mutate(data = map(id, ~ {data %>%
group_by(group,subgroup) %>%
broom::bootstrap(100, by_group=TRUE)}))
由于该broom::bootstrap函数已被弃用，因此我使用所需的输出重建了我的方法rsample::bootstraps。获得我想要的输出似乎要复杂得多。生成分组引导程序时，我是否做错了什么，或者在 tidyverse 中事情变得更加复杂？
data %>%
dplyr::mutate(group2 = group,
subgroup2 = subgroup) %>%
tidyr::nest(-group2, -subgroup2) %>%
dplyr::mutate(boot = …我正在重新取样Pandas TimeSeries.时间序列由二进制值(它是一个分类变量)组成,没有缺失值,但在重新采样之后会出现NaN.这怎么可能？
我不能在这里发布任何示例数据,因为它是敏感信息,但我创建并重新采样系列如下:
series = pd.Series(data, ts)
series_rs = series.resample('60T', how='mean')
我正在寻找一个等效resample于数据帧的方法的熊猫,它不是一个DatetimeIndex整数数组,甚至可能是浮点数.
我知道,对于某些情况(例如,这个),重新采样方法可以通过reindex和插值轻松替换,但在某些情况下(我认为)它不能.
例如,如果我有
df = pd.DataFrame(np.random.randn(10,2))
withdates = df.set_index(pd.date_range('2012-01-01', periods=10))
withdates.resample('5D', np.std)
这给了我
0 1
2012-01-01 1.184582 0.492113
2012-01-06 0.533134 0.982562
但我不能用df和重新取样产生相同的结果.所以我正在寻找可以起作用的东西
df.resample(5, np.std)
这会给我
0 1
0 1.184582 0.492113
5 0.533134 0.982562
这种方法存在吗？我能够创建这种方法的唯一方法是手动分离df成较小的数据帧,np.std然后应用然后将所有内容连接起来,我觉得这很慢,而且根本不聪明.
干杯
在Python中，我正在研究旅行保险欺诈检测的二进制分类问题。这是我的数据集的特征：
指标是精度，召回率和F2得分。我们将重点更多地放在避免误报上，因此，我们非常赞赏召回率很高。作为预处理，我使用SMOTE-NC对肯定的案例进行了超采样，这也考虑了分类变量。
在尝试了包括自我训练的半监督学习和标签传播/标签传播等方法之后，我获得了较高的回忆得分（培训中80％，测试中65-70％）。但是，我的精度得分显示出过拟合的痕迹（训练时为60-70％，测试时为10％）。我知道精度在训练上是好的，因为它是重新采样的，而测试数据则很低，因为它直接反映了测试数据中类的不平衡。但是这个精度分数太低了，所以我想解决它。
因此，为了简化模型，我正在考虑应用降维。我找到了一个名为princeFAMD 的软件包 （混合物数据的因子分析）。
问题1：我应该如何进行标准化，FAMD，k倍交叉验证和重采样？我下面的方法正确吗？
问题2：包prince不具有的方法，例如fit或transform等中Sklearn，所以无法执行第三步骤如下所述。任何其他包好做fit，并transform为FAMD？还有没有其他好的方法可以减少此类数据集的维数？
我的方法：
*对于我对这个问题的整体处理方法的各种建议，我也将不胜感激
谢谢！
classification resampling pca factor-analysis cross-validation
我想将我的 xarray 对象重新采样到较低的空间分辨率（LESS PIXELS）。
import pandas as pd
import numpy as np
import xarray as xr
time = pd.date_range(np.datetime64('1998-01-02T00:00:00.000000000'), np.datetime64('2005-12-28T00:00:00.000000000'), freq='8D')
x = np.arange(1200)
y = np.arange(1200)
latitude = np.linspace(40,50,1200)
longitude = np.linspace(0,15.5572382,1200)
latitude, longitude = np.meshgrid(latitude, longitude)
BHR_SW = np.ones((365, 1200, 1200))
output_da = xr.DataArray(BHR_SW, coords=[time, y, x])
latitude_da = xr.DataArray(latitude, coords=[y, x])
longitude_da = xr.DataArray(longitude, coords=[y, x])
output_da = output_da.rename({'dim_0':'time','dim_1':'y','dim_2':'x'})
latitude_da = latitude_da.rename({'dim_0':'y','dim_1':'x'})
longitude_da = longitude_da.rename({'dim_0':'y','dim_1':'x'})
output_ds = output_da.to_dataset(name='BHR_SW')
output_ds = output_ds.assign({'latitude':latitude_da, 'longitude':longitude_da})
print(output_ds)
<xarray.Dataset> …我需要将 DataFrame 的长度减少到某个外部定义的整数（可能是两行、10,000 行等，但总长度会减少），但我也想保留生成的 DataFrame 代表原始数据. 原始 DataFrame（我们称之为df）有一个datetime列 ( utc_time) 和一个数据值列 ( data_value)。日期时间始终是连续的、不重复的，但间隔不均匀（即，数据可能“丢失”）。对于此示例中的 DataFrame，时间戳以十分钟为间隔（当数据存在时）。
为了实现这一点，我立即按照以下逻辑进行重采样：找到第一个和最后一个时间戳之间的秒数差，将其除以所需的最终长度，这就是重采样因子。我在这里设置：
# Define the desired final length.
final_length = 2
# Define the first timestamp.
first_timestamp = df['utc_time'].min().timestamp()
# Define the last timestamp.
last_timestamp = df['utc_time'].max().timestamp()
# Define the difference in seconds between the first and last timestamps.
delta_t = last_timestamp - first_timestamp
# Define the resampling factor.
resampling_factor = np.ceil(delta_t / final_length)
# Set the index from …我有两个单独的时间序列pandas.dataframe，第一个 -series1条目较少，起始数据时间与第二个不同 - series2：
index1 = pd.date_range(start='2020-06-16 23:16:00', end='2020-06-16 23:40:30', freq='1T')
series1 = pd.Series(range(len(index1)), index=index1)
index2 = pd.date_range('2020-06-16 23:15:00', end='2020-06-16 23:50:30', freq='30S')
series2 = pd.Series(range(len(index2)), index=index2)
我怎样才能重采样系列2匹配DatetimeIndex的series1？