numpy确定参数之间的平均差值

是否有现成的函数来确定排序列表的参数之间差异的平均值

例如，以下是我的手动尝试：

import numpy as np
rand_A = np.random.rand_integers(0, 99, 10)
np.sort(rand_A)
array([ 3,  8, 26, 34, 35, 37, 65, 82, 89, 94])

def mean_period(data):
    diffe = 0
    for ind in range(data.shape[0] - 1)
        diffe += data[ind + 1] - data[ind]
    return (diffe / (data.shape[0] - 1))

mean_period(np.sort(rand_A))
10

基本上，我需要这个函数来确定窦状信号的频率值，它将被用作scipy.leastsq函数的初始猜测参数来拟合它。 我需要最快的程序。恐怕我的努力会很吃力

np.diff(np.sort(rand_A)).mean()

几乎相当于

mean_period（np.sort（rand_A））

，但应该更快，因为它使用NumPy方法调用而不是Python循环

我之所以说“几乎相等”，是因为有一个区别：

mean_period

总是返回一个int，因为

difference

是一个

numpy.int32

，返回值是这个

int32

除以

int

，（

data.shape[0]-1

）的结果

相反，

np.diff（np.sort（rand_A））.mean（）返回一个Numpy
float64


编辑：对于小数组（如您在问题中发布的数组），Python循环速度更快：

In [84]: %timeit mean_period(np.sort(rand_A))
100000 loops, best of 3: 8.29 µs per loop

In [85]: %timeit np.diff(np.sort(rand_A)).mean()
10000 loops, best of 3: 21.5 µs per loop

但对于大型阵列，例如百万元素阵列

rand_A = np.random.random_integers(0, 99, 10**6)

使用NumPy的
mean
和
diff
方法要快得多：

In [87]: %timeit mean_period(np.sort(rand_A))
1 loops, best of 3: 442 ms per loop

In [88]: %timeit np.diff(np.sort(rand_A)).mean()
10 loops, best of 3: 48.8 ms per loop


另见：





几乎相当于
mean_period（np.sort（rand_A））
，但应该更快，因为它使用NumPy方法调用而不是Python循环

我之所以说“几乎相等”，是因为有一个区别：
mean_period
总是返回一个int，因为
difference
是一个
numpy.int32
，返回值是这个
int32
除以
int
，（
data.shape[0]-1
）的结果

相反，
np.diff（np.sort（rand_A））.mean（）返回一个Numpy
float64


编辑：对于小数组（如您在问题中发布的数组），Python循环速度更快：

In [84]: %timeit mean_period(np.sort(rand_A))
100000 loops, best of 3: 8.29 µs per loop

In [85]: %timeit np.diff(np.sort(rand_A)).mean()
10000 loops, best of 3: 21.5 µs per loop

但对于大型阵列，例如百万元素阵列

rand_A = np.random.random_integers(0, 99, 10**6)

使用NumPy的
mean
和
diff
方法要快得多：

In [87]: %timeit mean_period(np.sort(rand_A))
1 loops, best of 3: 442 ms per loop

In [88]: %timeit np.diff(np.sort(rand_A)).mean()
10 loops, best of 3: 48.8 ms per loop


另见：




让我们看看。如果我没弄错你们的问题，我们讨论的是频率检测器中的过零。您在列表中有过零点的时间戳（然后根据需要进行排序），并希望计算列表中项目的平均差异

虽然联合国大学的答案是正确的，而且非常幼稚，但我想建议大家对数学做一个简单的研究。连续元素差的平均值为：

{ (s_1 - s_0) + (s_2 - s_1) + (s_3 - s_2) + ... + (s_n - s_(n-1)) } / n

似乎有相当多的条款取消了。剩下的是：

(s_n - s_0) / n

因此，上述函数变为：

def mean_period(data):
    return 1. * (data[-1] - data[0]) / (len(data) - 1)

如果我们使用排序数据进行一些基准测试，那么：

rand_A = np.random.randint(0,99999999,10000000)
sort_A = np.sort(rand_A)

% timeit np.diff(sort_A).mean()     # 37.7 ms
% timeit mean_period(sort_A)        # 0.98 ms

（后者本质上是O（1）加上它有轻微的函数调用开销）

如果数据未排序，则我们必须找到最大值和最小值：

def mean_period_unsorted(data):
    smallest = np.min(data)
    largest = np.max(data)
    return 1. * (largest - smallest) / (len(data) - 1)

所以，也许这一次一点数学知识会有所帮助：）
现在是基准

% timeit np.diff(np.sort(rand_A)).mean()   # 733 ms
% timeit mean_period_unsorted(rand_A)      # 17.9 ms

让我看看。如果我没弄错你们的问题，我们讨论的是频率检测器中的过零。您在列表中有过零点的时间戳（然后根据需要进行排序），并希望计算列表中项目的平均差异

虽然联合国大学的答案是正确的，而且非常幼稚，但我想建议大家对数学做一个简单的研究。连续元素差的平均值为：

{ (s_1 - s_0) + (s_2 - s_1) + (s_3 - s_2) + ... + (s_n - s_(n-1)) } / n

似乎有相当多的条款取消了。剩下的是：

(s_n - s_0) / n

因此，上述函数变为：

def mean_period(data):
    return 1. * (data[-1] - data[0]) / (len(data) - 1)

如果我们使用排序数据进行一些基准测试，那么：

rand_A = np.random.randint(0,99999999,10000000)
sort_A = np.sort(rand_A)

% timeit np.diff(sort_A).mean()     # 37.7 ms
% timeit mean_period(sort_A)        # 0.98 ms

（后者本质上是O（1）加上它有轻微的函数调用开销）

如果数据未排序，则我们必须找到最大值和最小值：

def mean_period_unsorted(data):
    smallest = np.min(data)
    largest = np.max(data)
    return 1. * (largest - smallest) / (len(data) - 1)

所以，也许这一次一点数学知识会有所帮助：）
现在是基准

% timeit np.diff(np.sort(rand_A)).mean()   # 733 ms
% timeit mean_period_unsorted(rand_A)      # 17.9 ms

这不是零交叉；这里我的观点对应于极大值。零交叉会使事情复杂化，因为有两个/周期。对，数学上的简化显然让事情变得更快。但事实上，当我在研究噪声实验数据时，我需要另一种方法。也许我会使用傅里叶变换。@user1850133:在嘈杂的环境中，频率检测异常复杂。零交叉与滞后和死区时间窗口是一种可能性，但即使这样，其他频率分量也会导致问题。傅里叶变换是一个很好的候选者，因为它已经进行了彻底的优化，但至少有两件事需要考虑：频率峰值的加窗和插值。此外，如果你的频率有一点变化，你可能需要先用F变换粗略地找到频率，然后带通滤波，然后使用过零或等效的方法；这里我的观点对应于极大值。零交叉会使事情复杂化，因为有两个/周期。对，数学上的简化显然让事情变得更快。但事实上，当我在处理嘈杂的实验数据时，我需要另一个平均值。也许我会使用傅里叶变换。@user1850133:在嘈杂的环境中，频率检测异常复杂。零交叉与滞后和死区时间窗口是一种可能性，但即使这样，其他频率分量也会导致问题。傅里叶变换是一个很好的候选者，因为它已经进行了彻底的优化，但至少有两件事需要考虑：频率峰值的加窗和插值。此外，如果频率有一点变化，您可能需要首先使用F变换粗略地找到频率，然后对其进行带通滤波，然后使用过零或等效方法。