Trung tâm cá nhân
sách gpt4 ai đã đi

Cửa sổ chồng chéo có điều kiện nhanh (khung) của mảng numpy

In lại 作者：行者123 更新时间：2023-12-04 12:27:31 32 4
mua khóa gpt4 Nike

Tôi có một danh sách lớn các mảng numpy (1D) là chuỗi thời gian của các sự kiện khác nhau. Mỗi điểm có một nhãn và tôi muốn phân chia mảng numpy theo nhãn của nó. Nhãn của tôi là 0, 1 và 2. Mỗi cửa sổ có kích thước cố định M.
每个窗口的标签将是窗口中可用的最大标签。因此，如果一个窗口由 0 和 1 标记的数据点组成，则整个窗口的标签将为 1。
但问题是，窗口不是标签不可知的。由于类别不平衡，我只想在标签 1 和 2 的情况下进行重叠加窗。
到目前为止，我已经编写了这段代码:

# conditional framing
data = []
start_cursor = 0
while start_cursor < arr.size:
  end_cursor = start_cursor + window_size
  data.append(
    {
      "frame": arr[start_cursor:end_cursor],
      "label": y[start_cursor:end_cursor].max(),
    }
  )
  start_cursor = end_cursor
  if np.any(y[start_cursor, end_cursor] != 0):
    start_cursor = start_cursor - overlap_size
但这显然太冗长而且效率低下，尤其是因为我将在我庞大的单独数组列表中调用这个 while 循环。
编辑:更多地解释问题。想象一下，您要对一个固定长度 M 的信号进行加窗。如果窗口中只存在 0 个标签点，则相邻窗口之间不会有重叠。但如果存在标签 1 和 2，则两个信号之间会有重叠，百分比为 p%。

1 Câu trả lời

我认为这可以满足您的要求。检查的可视化不是很好，但它可以帮助您了解窗口的工作原理。希望我理解你的问题是正确的，这就是你想要做的。只要时间序列中有 1 或 2(而不是 0)，窗口就会向前移动整个窗口长度的一部分(这里是 50%)。
windowing approach
要检查如何执行此操作，请从示例时间序列开始:

import matplotlib.pylab as plt
nhập numpy dưới dạng np

N = 5000 # time series length

# create some sort of data set to work with
x = np.zeros(N)
# add a few 1s and 2s to the list (though really they are the same for the windowing)
y = np.random.random(N)
x[y < 0.01] = 1
x[y < 0.005] = 2

# assign a window length
M = 50 # window length
overlap = 0.5 # assume 50% overlap
M_overlap = int(M * (1-overlap))
我的方法是对您的时间序列感兴趣的窗口求和。如果和 ==0 ，则窗口之间没有重叠，如果是 >0 则有重叠。那么，问题就变成了我们应该如何有效地计算这些总和？我比较了两种方法。第一个是简单地遍历时间序列，第二个是使用 convolution (它要快得多)。对于第一个，我还探索了求和后评估窗口大小的不同方法。
求和(慢版) 
def window_sum1():
    # start of windows in list windows
    windows = [0,]
    while windows[-1] + M < N:
        check = sum(x[windows[-1]:windows[-1]+M]) == 0
        windows.append(windows[-1] + M_overlap + (M - M_overlap) * check)
        if windows[-1] + M > N:
            windows.pop()
            phá vỡ
    # plotting stuff for checking
    return(windows)
Niter = 10**4
print(timeit.timeit(window_sum1, number = Niter))
# 29.201083058
所以这种方法在大约 30 秒内经历了 10,000 个长度为 5000 的时间序列。但是 windows.append(windows[-1] + M_overlap + (M - M_overlap) * check) 行可以在 if 语句中简化。
求和(快版本，比慢版本快 33%) 
def window_sum2():
    # start of windows in list windows
    windows = [0,]
    while windows[-1] + M < N:
        check = sum(x[windows[-1]:windows[-1]+M]) == 0
        if check:
            windows.append(windows[-1] + M)
        khác:
            windows.append(windows[-1] + M_overlap)
        if windows[-1] + M > N:
            windows.pop()
            phá vỡ
    # plotting stuff for checking
    return(windows)
print(timeit.timeit(window_sum2, number = Niter))
# 20.456240447000003
我们看到 if 语句的时间减少了 1/3。
卷积(比快速求和快 85%)
通过使用 numpy.convolve 将时间序列与感兴趣的窗口进行卷积，我们可以使用信号处理来获得更快的速度。 (免责声明:我从 this question 的公认答案中得到了这个想法。)当然，从上面采用更快的窗口大小评估也是有意义的。 
def window_conv():
    a = np.convolve(x,np.ones(M,dtype=int),'valid')
    windows = [0,]
    while windows[-1] + M < N:
        if a[windows[-1]]:
            windows.append(windows[-1] + M_overlap)
        khác:
            windows.append(windows[-1] + M)
        if windows[-1] + M > N:
            windows.pop()
            phá vỡ
    return(windows)
print(timeit.timeit(window_conv, number = Niter))
#3.3695770570000008
滑动窗口
我要补充的最后一件事是，如 this question 的评论之一所示，从 numpy 1.20 开始，有一个名为 sliding_window_view 的函数。我仍然在运行 numpy 1.19 并且无法测试它是否比卷积更快。

关于python - numpy数组的快速条件重叠窗口(框架)，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/69535871/

32 4 0
Bài viết được đề xuất: java - Eclipse 自动完成不工作...仅适用于 AWT？
Bài viết được đề xuất: java - 如何将资源添加到同名文件夹中的两个模块化 jar 中？
Bài viết được đề xuất: javascript - 从样式化组件宏重新导出样式化不起作用
Bài viết được đề xuất: 就地for循环中的Python字符串连接？
行者123
Hồ sơ cá nhân

Tôi là một lập trình viên xuất sắc, rất giỏi!

Nhận phiếu giảm giá Didi Taxi miễn phí
Mã giảm giá Didi Taxi
Các bài viết nóng hổi trên toàn bộ trang web
Giấy chứng nhận ICP Bắc Kinh số 000000
Hợp tác quảng cáo: 1813099741@qq.com 6ren.com