我正在尝试根据触发值检测 numpy 向量中的上升沿和/或下降沿。这有点像示波器触发的工作方式。
numpy 向量包含浮点值。触发器本身是一个浮点值。我希望这是这样工作的:
import numpy as np
data = np.array([-1, -0.5, 0, 0.5, 1, 1.5, 2])
trigger = rising_edge(data, 0.3)
print(trigger)
[3]
换句话说,它的工作方式类似于np.where
,返回一个包含条件为真的位置的向量。
我知道我可以简单地迭代向量并获得相同的结果(这就是我正在做的事情),但正如您可以想象的那样,这并不理想。numpy 中是否内置了一些功能可以使用优化的 C 代码来做到这一点?或者也许在其他图书馆?
谢谢。
我们可以切片one-off
并与小于和大于的触发器进行比较,就像这样 -
In [41]: data = np.array([-1, -0.5, 0, 0.5, 1, 1.5, 2, 0, 0.5])
In [43]: trigger_val = 0.3
In [44]: np.flatnonzero((data[:-1] < trigger_val) & (data[1:] > trigger_val))+1
Out[44]: array([3, 8])
如果您还想包括平等,即<=
或>=
,只需将其添加到比较中即可。
要同时包含上升沿和下降沿,请以另一种方式添加比较 -
In [75]: data = np.array([-1, -0.5, 0, 0.5, 1, 1.5, 2, 0.5, 0])
In [76]: trigger_val = 0.3
In [77]: mask1 = (data[:-1] < trigger_val) & (data[1:] > trigger_val)
In [78]: mask2 = (data[:-1] > trigger_val) & (data[1:] < trigger_val)
In [79]: np.flatnonzero(mask1 | mask2)+1
Out[79]: array([3, 8])
因此,当我意识到一种新的方法时,我刚刚观看了最新的3Blue1Brown卷积视频:
def rising_edge(data, thresh):
sign = data >= thresh
pos = np.where(np.convolve(sign, [1, -1]) == 1)
return pos
因此,获取数据大于或等于阈值的所有位置,用[1, -1]
对其进行卷积,然后找到卷积返回 1 作为上升沿的位置。想要下降的边缘?请改为查找 -1。
很整洁,如果我自己这么说的话。而且速度快了大约 5-10%。