共识/集群Python中的一组可变长度列表？

我有一组传感器测量一些时间数据。在任何给定的时间步，传感器输出

0

或

1

。传感器永远不会按顺序输出两个

1

s

考虑到可用的传感器，我们如何找到最佳估计

例如，假设四个传感器在这些提供的索引处输出一个

1

A=[178511843118015121733]
B=[51484611821517361937]
C=[182516848151717381939]
D=[1795138451181513173519362124]

通过目视检查，我可以看到：

• A在列表末尾丢失了一个值
• B在列表的最前面丢失了一个值
C在列表中间丢失了一个值
• D在列表的末尾有一个额外的值

#一致性算法不知道无位置
a=[178511843118015121733，无]
b=[None，51484611821517361937]
c=[182516848，无，151717381939]
d=[179513845118151317351936]#2124删除
#共识：删除“无”的列的平均值
#四舍五入到最接近的整数
s=共识（（A、B、C、D））
s=[180514849118151417361937]

如果我们有两个附加传感器

E

和

F

，其值如下：

E=[2130]
F=[2121]
#这两个传感器只有一个尾部值
#因此，传感器D的额外读数现在是共识的一部分。
#所有其他值不变。
s=共识（A、B、C、D、E、F））
s=[1805148491181514173619372125]

---

是否有解决此问题的非O（n^2）解决方案？

感谢评论中的两位用户，他们能够引导我找到一个有效的解决方案

编辑：当我们将所有读数连接到一个阵列中时，我们会丢失每个传感器都是唯一的信息，因此我不太确定是否将其标记为最终答案。此外，我认为还可以使用迭代或动态规划方法，跟踪每个传感器到最近值的距离

从matplotlib导入pyplot作为plt
从sklearn.neights导入内核密度
从scipy.signal导入查找\u峰值
concat=A+B+C+D
X=np.array（concat）[：，np.newaxis]
X_plot=np.linspace（0，1.1*X.max（），1000）[，np.newaxis]
kde=内核密度（带宽=2）.fit（X）
log_dens=kde.score_样本（X_图）
密度=np.exp（对数密度）
峰值，u=查找峰值（密度）
平面图（X_图[：，0]，密度）
平面图（X_图[峰]、密度[峰]、“X”）
plt.show（）
打印（tuple（int（i）表示X_图[peaks].squeak（）中的i）
# (180, 514, 846, 1181, 1513, 1735, 1936, 2123)

---

这些时间值是否存在可预测的变化范围？我在想，如果另一个传感器在1000时给出正读数，这是一个新的值，还是属于~850或1180的值之一？如果和紧密性之间的间隙很明显，您可以相当容易地测试分组。@katardin，除了没有来自同一传感器的背对背输出外，没有提供关于变化的进一步信息。如果

E=[1000]

并且我们运行了

共识（（A，B，C，D，E））

我预计这个新的读数会落入850位。这似乎是聚类中的一个问题。我建议您合并列表并查找值的集群。对聚集值进行分组并求平均值。群集容差是您的决定。我将向您推荐这个答案，其中他们建议哪些适用于一维变量，并且您不必指定箱子的数量。在这种情况下，箱子的数量是一个问题，因为您似乎无法从数据类型推断事件的实际数量@使用集群算法的一个挑战是我事先不知道集群的数量。