Moving Average Matplotlib

Ich arbeite an der Erstellung eines Konturplot mit Matplotlib. Ich habe alle Daten in einem Array, das mehrdimensional ist. Es ist 12 lang ungefähr 2000 breit. So ist es im Grunde eine Liste von 12 Listen, die 2000 in der Länge sind. Ich habe das Konturdiagramm arbeiten fein, aber ich muss die Daten glätten. Ich habe eine Menge von Beispielen gelesen. Leider habe ich nicht die Mathe Hintergrund zu verstehen, was los ist mit ihnen. Also, wie kann ich diese Daten glatt Ich habe ein Beispiel, wie meine Grafik aussieht und was ich möchte, dass es mehr aussehen. Dies ist meine Grafik: Was ich möchte, dass es mehr ähnlich aussehen: Was bedeutet, habe ich, um die Konturplot glatt wie im zweiten Plot Die Daten, die ich verwende, wird aus einer XML-Datei gezogen. Aber, werde ich zeigen die Ausgabe eines Teils des Arrays. Da jedes Element im Array etwa 2000 Elemente lang ist, zeige ich nur einen Auszug. Hier ist ein Beispiel: Denken Sie daran, dies ist nur ein Auszug. Die Dimension der Daten beträgt 12 Zeilen zu 1959 Spalten. Die Spalten ändern sich abhängig von den Daten, die aus der XML-Datei importiert werden. Ich kann die Werte anschauen, nachdem ich den Gaußfilter benutzt habe und sie ändern sich. Die Änderungen sind jedoch nicht groß genug, um das Konturdiagramm zu beeinflussen. Eine einfache Möglichkeit, Daten glatt ist mit einem gleitenden Durchschnitt Algorithmus. Eine einfache Form des gleitenden Durchschnitts ist, den Mittelwert der benachbarten Messungen an einer bestimmten Position zu berechnen. In einer eindimensionalen Messreihe a1: N kann beispielsweise der gleitende Durchschnitt bei a als (an-1 und an1) 3 berechnet werden. Wenn Sie alle Messungen durchlaufen, sind Sie fertig. In diesem einfachen Beispiel, unser Durchschnitt Fenster hat Größe 3. Sie können auch Fenster in verschiedenen Größen, je nachdem, wie viel Glättung Sie wollen. Um die Berechnungen für ein breiteres Spektrum von Anwendungen einfacher und schneller zu machen, können Sie auch einen auf Faltung basierenden Algorithmus verwenden. Der Vorteil der Faltung ist, dass Sie verschiedene Arten von Mitteln, wie gewichtete Durchschnitte, durch einfaches Ändern des Fensters wählen können. Lets einige Codierung zu illustrieren. Der folgende Auszug benötigt Numpy, Matplotlib und Scipy installiert. Klicken Sie hier für den vollständigen Beispielcode Der folgende Code generiert einige willkürliche und verrauschte Daten und berechnet dann den gleitenden Durchschnitt mit vier unterschiedlich großen Boxfenstern. Und dann, um die verschiedenen Ergebnisse zu sehen, hier ist der Code für einige Plotten. Und hier sind die gezeichneten Ergebnisse für unterschiedlich große Fenster: Der hier angezeigte Beispielcode verwendet ein einfaches (oder rechteckiges) Fenster in zwei Dimensionen. Es gibt mehrere verschiedene Arten von Fenstern zur Verfügung und möchten Sie vielleicht auf Wikipedia für weitere Beispiele zu überprüfen. Ich weiß, dies 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 Eingabe-Liste und ich kann nicht anders denken, um es effizienter (eigentlich, wenn jemand weiß, eine bessere Möglichkeit, das Ergebnis zuzuteilen, lass es mich wissen). HINWEIS: das wäre viel schneller mit einem numpy-Array anstelle einer Liste, aber ich wollte alle Abhängigkeiten zu beseitigen. Es wäre auch möglich, die Leistung durch Multi-Thread-Ausführung zu verbessern Die Funktion geht davon aus, dass die Eingabeliste eindimensional ist, also seien Sie vorsichtig. UPD: Effizientere Lösungen wurden von Alleo und jasaarim vorgeschlagen. Sie können np. convolve dafür verwenden: Das Argument mode gibt an, wie die Kanten behandelt werden sollen. Ich wählte den gültigen Modus hier, weil ich denke, das ist, wie die meisten Leute erwarten, laufen zu arbeiten, aber Sie können andere Prioritäten haben. Hier ist eine Handlung, die den Unterschied zwischen den Modi veranschaulicht: Ich mag diese Lösung, weil es sauber ist (eine Zeile) und relativ effizient (Arbeit getan in numpy). Aber Alleo39s quotEfficient solutionquot mit numpy. cumsum hat eine bessere Komplexität. Ndash Ulrich Stern Sie können einen laufenden Mittelwert mit berechnen: Glücklicherweise schließt numpy eine Faltenfunktion ein, die wir verwenden können, um Sachen oben zu beschleunigen. Der laufende Mittelwert entspricht dem Falten von x mit einem Vektor, der N lang ist, wobei alle Elemente gleich 1N sind. Die numpy-Implementierung von convolve beinhaltet den Start-Transient, also müssen Sie die ersten N-1 Punkte entfernen: Auf meiner Maschine ist die schnelle Version 20-30 mal schneller, abhängig von der Länge des Eingabevektors und der Größe des Mittelungsfensters . Beachten Sie, dass Convolve enthält einen gleichen Modus, der scheint, wie es die vorübergehende Frage ansprechen sollte, aber es teilt es zwischen Anfang und Ende. Es entfernt den Übergang vom Ende, und der Anfang doesn39t haben eine. Nun, ich denke, es ist eine Frage der Prioritäten, ich don39t brauchen die gleiche Anzahl von Ergebnissen auf Kosten der eine Steigung in Richtung Null, die isn39t gibt es in den Daten. BTW, hier ist ein Befehl, um den Unterschied zwischen den Modi: Modi (39full39, 39same39, 39valid39) Diagramm (convolve (one ((200,)), diejenigen ((50,)) 4750, Modem) für m in den Modi zu zeigen Achse (-10, 251, -.1, 1.1) Legende (Modi, loc39Lower center39) (mit pyplot und numpy importiert). Ndash lapis Mar 24 14 am 13:56 pandas ist dafür besser geeignet als NumPy oder SciPy. Seine Funktion Rollingmean macht die Arbeit bequem. Es gibt auch ein NumPy-Array, wenn die Eingabe ein Array ist. Es ist schwierig, Rollingmean in der Leistung mit einer benutzerdefinierten reinen Python-Implementierung zu schlagen. Hier ist ein Beispiel Leistung gegen zwei der vorgeschlagenen Lösungen: Es gibt auch schöne Optionen, wie man mit den Randwerten umgehen. I39m immer durch eine Signalverarbeitungsfunktion geärgert, die Ausgangssignale unterschiedlicher Form zurückgeben als die Eingangssignale, wenn beide Eingänge und Ausgänge dieselbe Natur haben (z. B. beide Zeitsignale). Es bricht die Korrespondenz mit der zugehörigen unabhängigen Variablen (z. B. Zeit, Frequenz), die Plotten oder Vergleichen nicht direkt macht. Wenn Sie das Gefühl teilen, möchten Sie vielleicht die letzten Zeilen der vorgeschlagenen Funktion als ynp. convolve (ww. sum (), s, mode39same39) zurückgeben ywindowlen-1 :-( windowlen-1) ndash Christian O39Reilly Aug 25 15 am 19:56 Ein wenig spät zur Partei, aber Ive bildete meine eigene kleine Funktion, die NICHT um die Enden wickelt, oder Auflagen mit Nullen, die dann verwendet werden, um den Durchschnitt ebenso zu finden. Als weitere Behandlung gilt, dass sie auch das Signal an linear beabstandeten Punkten neu abtastet. Fertigen Sie den Code an, um andere Eigenschaften zu erhalten. Das Verfahren ist eine einfache Matrixmultiplikation mit einem normalisierten Gaußschen Kern. Ein einfacher Gebrauch auf einem sinusförmigen Signal mit addiertem normalem verteiltem Rauschen: Diese Frage ist jetzt sogar älter als, als NeXuS über es letzter Monat schrieb, ABER ich mag, wie sein Code sich mit Randfällen befasst. Da es sich jedoch um einen einfachen gleitenden Durchschnitt handelt, liegen seine Ergebnisse hinter den Daten, auf die sie sich beziehen, zurück. Ich dachte, dass der Umgang mit Rand Fällen in einer befriedigender Weise als NumPys Modi gültig. gleich. Und voll konnte erreicht werden, indem eine ähnliche Annäherung an eine Faltung () basierte Methode angewendet wurde. Mein Beitrag verwendet einen zentralen laufenden Durchschnitt, um seine Ergebnisse mit seinen Daten auszurichten. Wenn zwei Punkten für das zu verwendende Vollformatfenster zur Verfügung stehen, werden laufende Mittelwerte aus sukzessiv kleineren Fenstern an den Rändern des Arrays berechnet. Eigentlich aus nacheinander größeren Fenstern, aber das ist eine Implementierung Detail. Seine relativ langsam, weil es convolve () verwendet. Und könnte wahrscheinlich durch eine wahre Pythonista viel aufgepeppt werden, aber ich glaube, dass die Idee steht. Antwortete Jan 2 um 0:28 np. convolve ist schön, aber langsam, wenn die Fensterbreite groß wird. Einige Antworten bieten effizientere Algorithmen mit np. cumsum aber scheinen nicht in der Lage, Rand-Werte zu behandeln. Ich selbst habe einen Algorithmus implementiert, der dieses Problem gut behandeln kann, wenn dieses Problem deklariert ist als: Eingangsparameter mergenum kann als 2 windowwidth 1 gedacht werden. Ich weiß, dieser Code ist ein wenig unlesbar, wenn u finden es nützlich und wollen einige Expanationen, lass es mich wissen und Ill Update dieser Antwort. (Das Schreiben einer Erklärung kann mir viel Zeit kosten, ich hoffe, ich mache es nur, wenn jemand es braucht. Bitte verzeihen Sie mir für meine Faulheit :)) Wenn nur u in seiner ursprünglichen Version interessiert sind: Sein sogar noch unlesbarer: die erste Lösung Bekommt Kanten Problem durch das Auffüllen Nullen rund um das Array, aber die zweite Lösung veröffentlicht hier behandelt es in einem harten und direkten Weg :) lapis ja, aber sagen können Sie Cumsum-Methode auf die erste Tick und speichern Sie Ihre rollenden durchschnittliche Array für die Nächsten Tick. Jeder Tick danach müssen Sie nur die neuesten gleitenden Mittelwert an Ihre rollende Array im Speicher anhängen. Mit dieser Methode können Sie nicht neu berechnen Dinge, die Sie bereits berechnet haben: Am ersten ticken Sie cumsum danach fügen Sie nur das quotmean der letzten Periode elementsquot, die 2x schneller für alle nachfolgenden Zecken ist. Ndash litepresence Wenn Sie sich entscheiden, Ihre eigenen rollen, anstatt eine vorhandene Bibliothek, bitte bewusst sein, Gleitkomma-Fehler und versuchen, ihre Auswirkungen zu minimieren: Wenn alle Ihre Werte sind etwa die gleiche Größenordnung , Wird dies dazu beitragen, die Genauigkeit zu bewahren, indem immer Werte von annähernd ähnlichen Größen addiert werden. In meinem letzten Satz habe ich versucht zu zeigen, warum es Gleitkomma-Fehler hilft. Wenn zwei Werte annähernd dieselbe Größenordnung sind, dann verliert das Addieren weniger Genauigkeit, als wenn Sie eine sehr große Zahl zu einem sehr kleinen hinzugefügt haben. Der Code kombiniert quadratweise benachbarte Quotwerte in einer Weise, daß gerade Zwischensummen immer in der Grße ausreichend nahe sein sollten, um den Gleitkommafehler zu minimieren. Nichts ist narrensicher, aber diese Methode hat ein paar sehr schlecht umgesetzte Projekte in der Produktion gespart. Ndash Mayur Patel Dez 15 14 am 17:22 Alleo: Statt einer Addition pro Wert, you39ll tun zwei. Der Beweis ist der gleiche wie das Bit-Flipping-Problem. Allerdings ist der Punkt dieser Antwort nicht notwendigerweise Leistung, sondern Präzision. Die Speicherauslastung für die Mittelung von 64-Bit-Werten würde 64 Elemente im Cache nicht überschreiten, daher ist sie auch im Arbeitsspeicher freundlich. Ndash Mayur Patel Dez 17 um 17: 04Ur ersten Schritt ist es, ein Diagramm, das die Mittelwerte von zwei Arrays. Let8217s erstellen zwei Arrays x und y und zeichnen sie. X wird 1 bis 10 sein. Und y haben die gleichen Elemente in einer zufälligen Reihenfolge. Dies wird uns helfen zu überprüfen, dass tatsächlich unser Durchschnitt korrekt ist. Let8217s berechnen die Ordnung unserer Elemente in y noch einmal und zeichnen sich wieder: In Bezug auf y sehen wir, wie sich der gleitende Durchschnitt verhält: Im nächsten Tutorial werden wir die gleitenden Mittelwerte darstellen. Teilen Sie diese: Like this: Post navigation Lassen Sie eine Antwort Antworten abbrechen d bloggers like this: