Ich weiß, das ist eine alte Frage, aber hier ist eine Lösung, die keine zusätzlichen Datenstrukturen oder Bibliotheken verwendet. Es ist linear in der Anzahl der Elemente der Eingabeliste und ich kann nicht anders denken, um es effizienter zu machen, wenn ja Wer weiß von einem besseren Weg, um das Ergebnis zuzuordnen, lass es mich wissen. HINWEIS Dies wäre viel schneller mit einem numpy Array statt einer Liste, aber ich wollte alle Abhängigkeiten zu beseitigen Es wäre auch möglich, die Leistung durch Multi-Threaded zu verbessern Ausführung Die Funktion geht davon aus, dass die Eingabeliste eindimensional ist. Sei also vorsichtig. Du kannst einen laufenden Mittelwert berechnen. Zufällig, numpy enthält eine Faltenfunktion, die wir verwenden können, um die Dinge zu beschleunigen. Das laufende Mittel ist gleichbedeutend mit dem Falten von x mit einem Vektor, der N lang ist, mit allen Mitgliedern gleich 1 N Die numpy Implementierung von convolve beinhaltet den Start transient, also musst du die ersten N-1 Punkte entfernen. Auf meiner Maschine ist die schnelle Version 20-30 mal schneller, je nachdem Auf der Länge des Eingangsvektors und der Größe des Mittelungsfensters. Hinweis, dass das Falten enthält einen gleichen Modus, der scheint, wie es das Anfangsübergangsproblem ansprechen sollte, aber es teilt es zwischen dem Anfang und dem Ende. Es entfernt den Übergang vom Ende , Und der Anfang doesn t haben eine Nun, ich denke, es ist eine Frage der Prioritäten, ich brauche nicht die gleiche Anzahl von Ergebnissen auf Kosten der Erhalten einer Steigung in Richtung Null, dass isn t dort in den Daten BTW, hier ist ein Befehl zu Zeige den Unterschied zwischen den Modi Modi voll, gleich, gültig Plot konvolve diejenigen 200,, diejenigen 50, 50, Modus m für m in Modi Achse -10, 251, - 1, 1 1 Legende Modi, loc unteren Zentrum mit pyplot und numpy Importiert Lapis Mar 24 14 bei 13 56.pandas ist besser geeignet für diese als NumPy oder SciPy seine Funktion Rollingmean macht den Job bequem Es gibt auch ein NumPy-Array, wenn die Eingabe ein Array ist. Es ist schwer zu Rollingmean in der Leistung mit jeder Sitte zu schlagen Reine Python-Implementierung Hier ist eine Beispielleistung gegen zwei der vorgeschlagenen Lösungen. Es gibt auch schöne Möglichkeiten, wie man mit den Kantenwerten umgehen kann. Ich bin immer durch Signalverarbeitungsfunktion verärgert, die Ausgangssignale unterschiedlicher Form als die Eingangssignale zurückgibt, wenn Sowohl die Ein - als auch die Ausgänge sind von gleicher Art, z. B. bei beiden zeitlichen Signalen. Es bricht die Entsprechung mit der verwandten unabhängigen Variablen ab, z. B. Zeit, Häufigkeit, Plotten oder Vergleich, keine direkte Sache, wenn Sie das Gefühl teilen, können Sie die letzten Zeilen ändern Die vorgeschlagene Funktion als dieselbe Rückkehr y windowlen-1 - windowlen-1 Christian O Reilly Aug 25 15 bei 19 56. Ein bisschen spät zur Party, aber ich habe meine eigene kleine Funktion gemacht, die NICHT um die Enden oder Pads mit Nullen umschlingt Die dann verwendet werden, um den Durchschnitt zu finden, wie auch eine weitere behandeln ist, dass es auch das Signal an linear beabstandeten Punkten erneut abtastet. Passen Sie den Code nach Belieben an, um andere Features zu erhalten. Die Methode ist eine einfache Matrixmultiplikation mit einem normalisierten Gaußschen Kernel. Ein einfacher Gebrauch auf einem sinusförmigen Signal mit addiertem normalem verteiltem noise. This Frage ist jetzt sogar älter als wenn NeXuS schrieb über es letzter Monat, aber ich mag, wie sein Code mit Randfällen behandelt Aber weil es ein einfacher gleitender Durchschnitt ist, ist es S Ergebnisse hinter den Daten, die sie anwenden, dachte ich, dass der Umgang mit Randfällen in einer befriedigenderen Weise als NumPy s Modi gültig gleich und voll könnte durch die Anwendung eines ähnlichen Ansatzes zu einer Faltung basierte Methode erreicht werden. Mein Beitrag verwendet einen zentralen laufenden Durchschnitt Um ihre Ergebnisse mit ihren Daten auszurichten Wenn es zwei wenige Punkte für das vollformatige Fenster gibt, das verwendet werden soll, werden laufende Mittelwerte aus sukzessiv kleineren Fenstern an den Kanten des Arrays berechnet. Eigentlich von sukzessiv größeren Fenstern, aber das ist eine Implementierung Detail. It s relativ langsam, weil es convolve verwendet und könnte wahrscheinlich ziemlich viel durch eine echte Pythonista aufgeholt werden, aber ich glaube, dass die Idee stands. answered Jan 2 bei 0 28. ist schön, aber langsam, wenn die Fensterbreite groß wird Einige Antworten bieten mehr effiziente Algorithmen mit, aber scheinen nicht in der Lage, Kantenwerte zu behandeln Ich selbst habe einen Algorithmus implementiert, der dieses Problem gut behandeln kann, wenn dieses Problem als Input-Parameter mergenum als 2 Fensterbreite gedacht werden kann 1.Ich kenne diesen Code Ein wenig unleserlich, wenn du es nützlich machst und irgendwelche Ausbreitungen willst, lass es mich bitte wissen und ich werde diese Antwort aktualisieren Da ich eine Erklärung kaufe, kostet mich viel Zeit, ich hoffe ich mache es nur, wenn jemand es braucht. Bitte verzeihen Sie mir für meine Laziness. If nur du interessierst sich für seine ursprüngliche version. It s noch mehr unleserlich die erste Lösung befreit Rand Problem durch padding Nullen um das Array, aber die zweite Lösung gepostet hier behandelt es in einer harten und direkten Weise. In meinem letzten Satz Ich habe versucht zu zeigen, warum es hilft Flimmerpunkt Fehler Wenn zwei Werte sind etwa die gleiche Größenordnung, dann das Hinzufügen von ihnen verliert weniger Präzision als wenn Sie eine sehr große Zahl zu einem sehr kleinen hinzugefügt Der Code kombiniert benachbarte Werte in einer Weise Dass auch Zwischensumme immer vernünftig in der Größenordnung sein sollte, um den Fließkomma-Fehler zu minimieren Nichts ist Narr-Beweis, aber diese Methode hat ein paar sehr schlecht umgesetzte Projekte in der Produktion gespeichert Mayur Patel 15.12. Am 17 22. Alleo Statt einen Hinzufügen zu machen Pro Wert, du wirst zwei tun Der Beweis ist das gleiche wie das Bit-Flipping-Problem Allerdings ist der Punkt dieser Antwort nicht unbedingt Leistung, aber Präzision Memory-Nutzung für die Mittelung 64-Bit-Werte würde nicht mehr als 64 Elemente im Cache, So ist es auch im Gedächtnisgebrauch stellbar Mayur Patel Dec 29 14 at 17 04.Matplotlib ist eine Python 2D Plottenbibliothek, die Publikationsqualitätszahlen in einer Vielzahl von Hardcopyformaten und interaktiven Umgebungen über Plattformen produziert. Matplotlib kann in Python Scripts verwendet werden Python und IPython Shell, das Jupyter Notebook, Web Application Server und vier grafische Benutzeroberfläche Toolkits. Matplotlib versucht, einfache Dinge einfach und harte Dinge möglich machen Sie können Plots, Histogramme, Power-Spektren, Balkendiagramme, Fehlercharts, Scatterplots, etc. mit Nur ein paar Zeilen Code Für eine Sampling, siehe die Screenshots thumbnail Galerie und Beispiele Verzeichnis. Für einfaches Plotten der pyplot-Modul bietet eine MATLAB-ähnliche Schnittstelle, vor allem, wenn mit IPython kombiniert Für den Power-User haben Sie die volle Kontrolle über Line-Styles , Font-Eigenschaften, Achseneigenschaften, etc., über eine objektorientierte Schnittstelle oder über eine Reihe von Funktionen, die den MATLAB-Nutzern vertraut sind. Dies ist die Dokumentation für Matplotlib Version 2 0 0.Trying, um zu lernen, wie man eine bestimmte Art von Plot ausführt Galerie-Beispiele oder die Liste der Plot-Befehle. Weitere Lernressourcen. Es gibt viele externe Lernressourcen zur Verfügung, einschließlich gedrucktes Material, Videos und Tutorials. Matplotlib ist ein einladendes, inklusive Projekt, und wir versuchen, die Python Software Foundation Code of Conduct in alles zu folgen Wir tun. Check the faq die api docs und mailing list archive for resources Verbinden Sie die gitter und die Mailinglisten Benutzer kündigen und entwerfen Überprüfen Sie die Matplotlib Fragen auf stackoverflow Das Suchwerkzeug durchsucht alle Dokumente, einschließlich Volltextsuche von über 350 komplett Beispiele, die fast jede Ecke von Matplotlib ausüben. Sie können Bugs, Patches und Feature-Anfragen auf dem Github Tracker, aber es ist eine gute Idee, uns auf die Mailing-Liste zu pingen. Um auf dem Laufenden mit dem, was los ist in Matplotlib, Sehen Sie die neue Seite oder durchsuchen Sie den Quellcode Alles, was Änderungen an Ihrem vorhandenen Code erfordern könnte, ist in der api-Änderungsdatei angemeldet. Es gibt mehrere Matplotlib-Add-On-Toolkits, darunter eine Auswahl von zwei Projektions - und Mapping-Toolkits-Grundkarten und Cartopy-3D-Plotten Mit mplot3d Achsen und Achshelfer in axesgrid mehrere übergeordnete Plotten Schnittstellen seaborn holoviews ggplot und more. Citing Matplotlib. Matplotlib ist die Idee von John Hunter 1968-2012, die zusammen mit ihren vielen Mitwirkenden eine unermessliche Menge an Zeit und Anstrengung, ein Stück von Software zu produzieren, das von Tausenden von Wissenschaftlern weltweit genutzt wird Wenn Matplotlib zu einem Projekt beiträgt, das zu einer wissenschaftlichen Publikation führt, erkenne bitte diese Arbeit an, indem ich das Projekt zitiere. Du kannst diesen fertigen Zitateintrag verwenden. Offen Quelle. Matplotlib Lizenz Basiert auf der Python Software Foundation PSF Lizenz. Es gibt eine aktive Entwickler-Community und eine lange Liste von Menschen, die erhebliche Beiträge gemacht haben. Matplotlib ist auf Github-Probleme gehostet und Pull-Anfragen werden bei Github auch verfolgt. MATLAB ist ein eingetragenes Warenzeichen von The MathWorks, Inc. Copyright 2002 - 2012 John Hunter, Darren Dale, Eric Firing, Michael Droettboom und das Matplotlib Entwicklungsteam 2012 - 2016 Das Matplotlib Entwicklungsteam Letzte Aktualisierung am 20.02.2007 Erstellt mit Sphinx 1 5 2.Wir haben früher eingeführt, wie man gleitende Durchschnitte mit Python zu erstellen Dieses Tutorial wird eine Fortsetzung dieses Themas sein Ein gleitender Durchschnitt im Kontext der Statistik, auch als Rolling Run Average bezeichnet, ist eine Art von endlichen Impulsantwort. In unserem vorherigen Tutorial wir Haben die Werte der Arrays x und y. Let s Plot x gegen den gleitenden Durchschnitt von y, dass wir yMA nennen werden. Zuerst lassen Sie s gleich die Länge der beiden Arrays. And zu zeigen, dies in context. The resultierende graph. To Helfen, dies zu verstehen, lassen Sie sich zwei verschiedene Beziehungen x vs y und x vs MAy. The gleitenden Durchschnitt hier ist die grüne Handlung, die bei 3. In der Fortsetzung dieses Tutorials beginnt, werden wir lernen, wie man berechnenden Durchschnitten auf große Datensätze zu berechnen .
No comments:
Post a Comment