Python SciPy signal.resample_poly用法及代码示例

本文简要介绍 python 语言中 scipy.signal.resample_poly 的用法。

用法:

scipy.signal.resample_poly(x, up, down, axis=0, window=('kaiser', 5.0), padtype='constant', cval=None)#

使用多相滤波沿给定轴重新采样 x。

信号x被因子上采样向上, 应用zero-phase low-pass FIR 滤波器，然后按因子下采样下.结果采样率为up / down倍原始采样率。默认情况下，超出信号边界的值在滤波步骤中被假定为零。

参数 ：：

x： array_like

要重新采样的数据。

up： int

上采样因子。

down： int

下采样因子。

axis： 整数，可选

重新采样的 x 轴。默认值为 0。

window： 字符串、元组或类似数组，可选

用于设计low-pass 滤波器或要采用的 FIR 滤波器系数的所需窗口。详情见下文。

padtype： 字符串，可选

常量,线,意思是,中位数,最大,最低限度或任何其他支持的信号扩展模式scipy.signal.upfirdn.改变对超出边界的值的假设。如果常量， 假定是cval(默认为零)。如果线假设继续由第一个点和最后一个点定义的线性趋势。意思是,中位数,最大和最低限度像在一样工作np.pad并假设超出边界的值分别是沿轴的数组的平均值、中值、最大值或最小值。

cval： 浮点数，可选

如果 padtype='constant' 时使用的值。默认为零。

返回 ：：

resampled_x： 数组

重新采样的数组。

注意：

这种多相方法可能比傅里叶方法更快scipy.signal.resample当样本数很大且质数时，或当样本数很大且向上和下共享一个很大的最大公分母。使用的 FIR 滤波器的长度取决于max(up, down) // gcd(up, down)，并且多相滤波期间的操作数将取决于滤波器长度和下(参考scipy.signal.upfirdn详情)。

参数窗口指定 FIR low-pass 滤波器设计。

如果 window 是 数组 ，则假定它是 FIR 滤波器系数。请注意，FIR 滤波器是在上采样步骤之后应用的，因此应将其设计为以比原始采样频率高 up//gcd(up, down) 倍的采样频率对信号进行操作。此函数的输出将相对于此数组居中，因此如果通常需要 zero-phase 过滤器，则最好通过具有奇数个样本的对称过滤器。

对于任何其他类型的窗户, 函数scipy.signal.get_window和scipy.signal.firwin被调用以生成适当的滤波器系数。

返回向量的第一个样本与输入向量的第一个样本相同。样本之间的间距从 dx 更改为 dx * down / float(up) 。

例子：

默认情况下，重采样数据的末端上升以满足 FFT 方法下一个周期的第一个样本，而多相方法则接近于零：

>>> import numpy as np
>>> from scipy import signal
>>> import matplotlib.pyplot as plt

>>> x = np.linspace(0, 10, 20, endpoint=False)
>>> y = np.cos(-x**2/6.0)
>>> f_fft = signal.resample(y, 100)
>>> f_poly = signal.resample_poly(y, 100, 20)
>>> xnew = np.linspace(0, 10, 100, endpoint=False)

>>> plt.plot(xnew, f_fft, 'b.-', xnew, f_poly, 'r.-')
>>> plt.plot(x, y, 'ko-')
>>> plt.plot(10, y[0], 'bo', 10, 0., 'ro')  # boundaries
>>> plt.legend(['resample', 'resamp_poly', 'data'], loc='best')
>>> plt.show()

可以使用 padtype 选项更改此默认行为：

>>> N = 5
>>> x = np.linspace(0, 1, N, endpoint=False)
>>> y = 2 + x**2 - 1.7*np.sin(x) + .2*np.cos(11*x)
>>> y2 = 1 + x**3 + 0.1*np.sin(x) + .1*np.cos(11*x)
>>> Y = np.stack([y, y2], axis=-1)
>>> up = 4
>>> xr = np.linspace(0, 1, N*up, endpoint=False)

>>> y2 = signal.resample_poly(Y, up, 1, padtype='constant')
>>> y3 = signal.resample_poly(Y, up, 1, padtype='mean')
>>> y4 = signal.resample_poly(Y, up, 1, padtype='line')

>>> for i in [0,1]:
...     plt.figure()
...     plt.plot(xr, y4[:,i], 'g.', label='line')
...     plt.plot(xr, y3[:,i], 'y.', label='mean')
...     plt.plot(xr, y2[:,i], 'r.', label='constant')
...     plt.plot(x, Y[:,i], 'k-')
...     plt.legend()
>>> plt.show()