Python correlate vs numpy文档-这里有矛盾吗?为什么结果列表颠倒了?
我使用numpy的关联函数得到以下结果:Python correlate vs numpy文档-这里有矛盾吗?为什么结果列表颠倒了?,python,numpy,scipy,correlation,Python,Numpy,Scipy,Correlation,我使用numpy的关联函数得到以下结果: In [153]: np.correlate([1],np.arange(100)) Out[153]: array([99, 98, 97, 96, 95, 94, 93, 92, 91, 90, 89, 88, 87, 86, 85, 84, 83, 82, 81, 80, 79, 78, 77, 76, 75, 74, 73, 72, 71, 70, 69, 68, 67, 66, 65, 64, 63, 62, 61,
In [153]: np.correlate([1],np.arange(100))
Out[153]:
array([99, 98, 97, 96, 95, 94, 93, 92, 91, 90, 89, 88, 87, 86, 85, 84, 83,
82, 81, 80, 79, 78, 77, 76, 75, 74, 73, 72, 71, 70, 69, 68, 67, 66,
65, 64, 63, 62, 61, 60, 59, 58, 57, 56, 55, 54, 53, 52, 51, 50, 49,
48, 47, 46, 45, 44, 43, 42, 41, 40, 39, 38, 37, 36, 35, 34, 33, 32,
31, 30, 29, 28, 27, 26, 25, 24, 23, 22, 21, 20, 19, 18, 17, 16, 15,
14, 13, 12, 11, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
In [154]:
这一结果似乎与90的结论相矛盾。第页(共页):
根据上面的公式,我希望数组0..99增加,但是结果是数组99..0减少
有人能解释一下这是怎么回事吗
为什么实现与规范相矛盾
为什么颠倒列表是有意义的?看起来你期待的是过去的行为。你链接到的那本书很旧(2006年),所以它看起来像是
numpy.correlate
自编写以来已经发生了变化(实际上在年发生了变化)。从:
旧的行为:布尔
如果为True,则使用Numeric中的旧行为,(correlate(a,v)=correlate(v,a),对于复杂数组不采用共轭)。如果为False,则使用传统的信号处理定义
编辑
进一步检查,我认为差异是由于旧定义中的这一行:
K=len(x)-1
和M=len(y)-1
,我们假设K≥ M
(不丧失一般性,因为我们可以在不产生影响的情况下交换x
和y
的角色)
因此,我相信在你的例子中,在旧的定义中,它使
y=[1]
和x=np.arange(100)
,因为len(x)
必须大于len(y)
。新定义没有这样做,因此x=[1]
和y=np.arange(100)
。因此,不同之处就在这里。谢谢,那么为什么会有这种奇怪的行为呢?我的意思是,为什么颠倒清单是有意义的?我不认为这是奇怪的行为。这只是定义问题。在旧版本中,与当前版本(a,v
)相比,它希望输入的顺序相反(v,a
)。看起来开发人员在某个时候意识到信号处理的标准方法是将顺序更改为当前版本。不管顺序如何,旧的行为都不会反转列表。我仍然不明白为什么清单颠倒是有意义的。这在什么情况下有意义?为什么在信号处理中这样做有意义?对不起,我不知道答案。但也许能帮你弄清楚。看起来numpy v1.4版的定义发生了变化(他们称之为传统的相关性)——请参见,请参见我的编辑,了解为什么会出现这些差异
In [2]: np.correlate([1],np.arange(100))
Out[2]:
array([99, 98, 97, 96, 95, 94, 93, 92, 91, 90, 89, 88, 87, 86, 85, 84, 83,
82, 81, 80, 79, 78, 77, 76, 75, 74, 73, 72, 71, 70, 69, 68, 67, 66,
65, 64, 63, 62, 61, 60, 59, 58, 57, 56, 55, 54, 53, 52, 51, 50, 49,
48, 47, 46, 45, 44, 43, 42, 41, 40, 39, 38, 37, 36, 35, 34, 33, 32,
31, 30, 29, 28, 27, 26, 25, 24, 23, 22, 21, 20, 19, 18, 17, 16, 15,
14, 13, 12, 11, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1, 0])
In [3]: np.correlate([1],np.arange(100),old_behavior=True)
Out[3]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,
51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,
68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,
85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])
In [4]: np.correlate(np.arange(100),[1])
Out[4]:
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16,
17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,
51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,
68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,
85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])