简单移动平均2D阵列python

Question

我正试图为2D阵列的每一行计算一个简单的移动平均值。每行中的数据都是一个单独的数据集，所以我不能只计算整个阵列的SMA，我需要在每行中单独计算。我尝试过for循环，但它将窗口作为行，而不是单独的值。

我用来计算SMA的方程是：a1+a2+。。。an/n这是我迄今为止的代码：

import numpy as np  

#make amplitude array
amplitude=[0,1,2,3, 5.5, 6,5,2,2, 4, 2,3,1,6.5,5,7,1,2,2,3,8,4,9,2,3,4,8,4,9,3]

#split array up into a line for each sample
traceno=5                  #number of traces in file
samplesno=6                #number of samples in each trace. This wont change.
amplitude_split=np.array(amplitude, dtype=np.int).reshape((traceno,samplesno))
#define window to average over:
window_size=3
#doesn't work for values that come before the window size. i.e. index 2 would not have enough values to divide by 3
#define limits:
lowerlimit=(window_size-1)
upperlimit=samplesno
i=window_size
for row in range(traceno):
for n in range(samplesno):
while lowerlimit<i<upperlimit:
this_window=amplitude_split[(i-window_size):i] 
window_average=sum(this_window)/window_size
i+=1
print(window_average)

我对这个数据集的预期输出是：

[[1,    2,    3.33, 4.66]
[3,    2.66, 2.66, 3.  ]
[4,    6,    4.33, 3.33]
[4.33, 5,    7,    5.  ]
[5,    5.33, 7,    5.33]]

但我得到了：

[2.         3.         3.         4.66666667 2.66666667 3.66666667]
[2.66666667 3.66666667 5.         5.         4.         2.33333333]
[2.         4.33333333 7.         5.         6.33333333 2.33333333]

Answer 1

您可以对window_size的[1, 1, ..., 1]进行卷积，然后将其除以window_size以获得平均值(无需循环(：

from scipy.signal import convolve2d
window_average = convolve2d(amplitude_split, np.ones((1, window_size)), 'valid') / window_size)

对CCD_ 4的卷积基本上将窗口中的元素相加。

输出：

[[1.         2.         3.33333333 4.66666667]
[3.         2.66666667 2.66666667 3.        ]
[4.         6.         4.33333333 3.33333333]
[4.33333333 5.         7.         5.        ]
[5.         5.33333333 7.         5.33333333]]

Answer 2

使用向量np.ones(window_size) / window_size，使用np.correlate应该很容易计算，但不幸的是，该函数似乎无法广播相关运算。因此，这里有另一种简单的方法来计算np.cumsum:

import numpy as np
amplitude = [  0,   1,   2,   3, 5.5, 6,
5,   2,   2,   4,   2, 3,
1, 6.5,   5,   7,   1, 2,
2,   3,   8,   4,   9, 2,
3,   4,   8,   4,   9, 3]
traceno = 5
samplesno = 6
amplitude_split = np.array(amplitude, dtype=np.int).reshape((traceno, samplesno))
window_size = 3
# Scale down by window size
a = amplitude_split * (1.0 / window_size)
# Cumsum across columns
b = np.cumsum(a, axis=1)
# Add an initial column of zeros
c = np.pad(b, [(0, 0), (1, 0)])
# Take difference to get means
result = c[:, window_size:] - c[:, :-window_size]
print(result)
# [[1.         2.         3.33333333 4.66666667]
#  [3.         2.66666667 2.66666667 3.        ]
#  [4.         6.         4.33333333 3.33333333]
#  [4.33333333 5.         7.         5.        ]
#  [5.         5.33333333 7.         5.33333333]]