Python 3.x 不同区域不同宽度的python加权移动平均

我试图对一个高度振荡的数据进行振荡分析。振荡不均匀，在初始区域振荡较少

x = np.linspace(0, 1000, 1000001)
y = some oscillating data say, sin(x^2)

（原始数据文件太大，无法上传）

我想取函数的加权移动平均值，并绘制它。最初，函数的周期较大，因此我希望在较大的时间间隔内获取avarage。而我可以用较小的时间间隔来处理后者

我在以下帖子中找到了一个可能的优雅解决方案：

但是，我希望在x的不同区域有不同的宽度。当x在（0100）之间时，我想要宽度=0.6，而当x在（101300）之间时，宽度=0.2，依此类推

这就是我试图实现的（用我有限的编程知识！）

def加权移动平均值（x，y，步长=0.05）：#更改宽度以控制平均值
bin_中心=np.arange（np.min（x），np.max（x）-0.5*步长，步长）+0.5*步长
bin_平均值=np.零（len（bin_中心））
#我们将用高斯函数加权
def高斯（x，amp=1，平均值=0，σ=1）：
返回amp*np.exp（-（x均值）**2/（2*西格玛**2））
如果x.any（）<100：
对于范围（0，len（bin_中心））中的索引：
bin_中心=bin_中心[索引]
权重=高斯分布（x，平均值=宾_中心，σ=0.6）
bin_平均[指数]=np.平均值（y，权重=权重）
其他：
对于范围（0，len（bin_中心））中的索引：
bin_中心=bin_中心[索引]
权重=高斯分布（x，平均值=宾_中心，σ=0.1）
bin_平均[指数]=np.平均值（y，权重=权重）
返回（宾尤中心，宾尤平均值）

---

不用说，这是行不通的！我得到了第一个sigma值的曲线图。请帮助……

下面的代码片段应该或多或少地完成您尝试的操作。您的代码中主要存在一个逻辑问题，

x。any（）<100

将始终是

True

，因此您永远不会执行第二部分

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 1000)
y = np.sin(x**2)

def gaussian(x,amp=1,mean=0,sigma=1):
    return amp*np.exp(-(x-mean)**2/(2*sigma**2))

def weighted_average(x,y,step_size=0.3):
    weights = np.zeros_like(x)
    bin_centers  = np.arange(np.min(x),np.max(x)-.5*step_size,step_size)+.5*step_size
    bin_avg = np.zeros_like(bin_centers)

    for i, center in enumerate(bin_centers):
        # Select the indices that should count to that bin
        idx = ((x >= center-.5*step_size) & (x <= center+.5*step_size))

        weights = gaussian(x[idx], mean=center, sigma=step_size)
        bin_avg[i] = np.average(y[idx], weights=weights)
    return (bin_centers,bin_avg)

idx = x <= 4
plt.plot(*weighted_average(x[idx],y[idx], step_size=0.6))

idx = x >= 3
plt.plot(*weighted_average(x[idx],y[idx], step_size=0.1))

plt.plot(x,y)
plt.legend(['0.6', '0.1', 'y'])
plt.show()

---

当然，您可以根据局部方差自适应地更改

a

。还要注意的是，根据

a

和

x

中的步长，这有一个先验的小偏差。对于堆栈溢出，您的问题有点过于笼统和面向数学。试着用一个明确的预期结果来编辑你的帖子（比如“我想生成一个由bla-bla-bla组成的列表”）。此外，您的职能范围也不清楚。“返回（bin_中心，bin_平均值）”应该在函数中吗？我已经编辑了这个问题。您也可以参考链接问题了解初始详细信息。谢谢您的回答。

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 1000)
y = np.sin(x**2)

def gaussian(x,amp=1,mean=0,sigma=1):
    return amp*np.exp(-(x-mean)**2/(2*sigma**2))

def weighted_average(x,y,step_size=0.3):
    weights = np.zeros_like(x)
    bin_centers  = np.arange(np.min(x),np.max(x)-.5*step_size,step_size)+.5*step_size
    bin_avg = np.zeros_like(bin_centers)

    for i, center in enumerate(bin_centers):
        # Select the indices that should count to that bin
        idx = ((x >= center-.5*step_size) & (x <= center+.5*step_size))

        weights = gaussian(x[idx], mean=center, sigma=step_size)
        bin_avg[i] = np.average(y[idx], weights=weights)
    return (bin_centers,bin_avg)

idx = x <= 4
plt.plot(*weighted_average(x[idx],y[idx], step_size=0.6))

idx = x >= 3
plt.plot(*weighted_average(x[idx],y[idx], step_size=0.1))

plt.plot(x,y)
plt.legend(['0.6', '0.1', 'y'])
plt.show()

x = np.linspace(0, 60, 1000)
y = np.sin(x**2)

z = np.zeros_like(x)
z[0] = x[0]

for i, t in enumerate(x[1:]):
    a=.2
    z[i+1] = a*y[i+1] + (1-a)*z[i]

plt.plot(x,y)
plt.plot(x,z)
plt.legend(['data', 'moving average'])
plt.show()