Python 理解1D np的结果

我试图使用

numpy.correlate

确定两个1D时间序列之间的相似性

我写了一个小示例程序来了解更多关于互相关的工作原理，但是我还没有完全理解相关输出的趋势

代码：

这个图表给我提出了几个问题。据我所知，互相关依赖于卷积运算（本质上是两个信号内积的积分-考虑到一些滞后）

如果arr_2从索引0到50充满了0，为什么相关信号（上面）从（0,50）稳步增加

如何设置卷积运算的延迟。从numpy文档中，我找不到允许我调整滞后的参数

50处的峰值是由于两个信号在指数50处排列，但为什么此后相关性会稳步下降？如果两个信号排列在一起，那么相关性不应该增加吗

只有当其值大于2/sqrt（n-abs（k））时，相关性才显著。其中n是样本数，k是滞后。对于上面所示的图表，相关性的重要性将如何发挥作用

---

您似乎对输出的确切内容感到困惑。文件确实有点缺乏。输出计算每个延迟的两个数组之间的相关性。中点是滞后为

0

且相关性最高的位置

---

仅供参考，您的两个阵列大小不同<代码>arr_1为长度100，

arr_2

为长度101。不确定这是否是故意的。

谢谢您的快速回复。中点不是对应于x=50吗，那么在峰值处的滞后不是0而是50吗。所以0滞后在中间。

import numpy as np
import matplotlib.pyplot as plt

#sample arrays to correlate
arr_1 = np.arange(1, 101) #[1, 2, 3, ..... 100]
arr_2 = np.concatenate([np.zeros(50), np.arange(50, 101)]) #[0, 0, ... 50, 51 ... 100]

cross_corr = np.correlate(arr_1, arr_2, "same")

plt.plot(list(cross_corr))