重新采样分类 numpy 数组
Resample a categorical numpy array
我有一个以 700 Hz 采样的一维 numpy 数组 labels（假设其长度为 700k）。所以，它对应1000秒的时间序列数据。该数组由 0 到 3 的整数组成，代表一些分类信息。此外，类别很少更改，例如 200 秒的 0，然后 150 秒的 2 等等...
现在，我想将它转换成一个 64 Hz 的数组，也就是说，数组的新长度将是 700k x (64/700) = 64k。
resampledLabels = scipy.signal.resample(labels, 64000)
上面代码的问题在于它对数组做了一些假设，并进行了插值。我试图将它们四舍五入到最接近的整数，但结果还包含一个 -1，这实际上超出了实际数组的范围。
我的问题是，如何在不进行插值的情况下对数组重新采样？
我想你可以只使用简单的 numpy 切片，其格式为 start:stop:step。这是常数时间，反映了您可能对重采样数组所做的更改。
在您的情况下，它将是：labels[0::64000]
我有一个以 700 Hz 采样的一维 numpy 数组 labels（假设其长度为 700k）。所以，它对应1000秒的时间序列数据。该数组由 0 到 3 的整数组成，代表一些分类信息。此外，类别很少更改，例如 200 秒的 0，然后 150 秒的 2 等等...
现在，我想将它转换成一个 64 Hz 的数组，也就是说，数组的新长度将是 700k x (64/700) = 64k。
resampledLabels = scipy.signal.resample(labels, 64000)
上面代码的问题在于它对数组做了一些假设，并进行了插值。我试图将它们四舍五入到最接近的整数，但结果还包含一个 -1，这实际上超出了实际数组的范围。
我的问题是，如何在不进行插值的情况下对数组重新采样？
我想你可以只使用简单的 numpy 切片，其格式为 start:stop:step。这是常数时间，反映了您可能对重采样数组所做的更改。
在您的情况下，它将是：labels[0::64000]