Ich bin wirklich leid für diese dumme Frage, aber es Abfälle 1 Woche meiner Zeit und ich habe keine Antwort finden. Ich habe ein Handbuch eines Tools, das Hersteller erwähnt. Für die Beschleunigungssensorausgänge wird ein T-Filter, ein einfaches digitales gleitendes Tiefpassfilter, verwendet. Ich habe diese Ausgabe und schrieb einen Code für Filter in Python aber später dachte ich, dass Codes sind nicht sinnvoll, weil sie für Butterworth Filter nicht durchschnittlich sind. Ich versuche, einige Codes für durchschnittliche Tiefpassfilter in Python zu finden, konnte aber nicht. Warten auf eine Idee. Um die Frage richtig zu beantworten, enthält die Nachricht die Eingabe für den Filter, die durch ein quotfilter methodquot ausgeführt werden soll, nämlich das durchschnittliche Tiefpassfilterquot, was zu einer Liste von Punkten führen würde, dh Ausgabe. Ak. a y, y1, y2, y3 ... Hinzu kommt, dass der Filter wie hier beschrieben analysiert werden kann, analogmediaentechnical-documentationdsp-bookhellip. Ist es. Ndash JRajan Jul 16 15 um 8:21 Andersson von scipy. signal import butter, lfilter um ehrlich zu sein ist nicht wichtig für mich. Ich möchte genau das gleiche tun, dass Hersteller getan hat. Ich muss nur wissen, wie definieren eine durchschnittliche Tiefpassfilter (einer der bekanntesten Filter) in Python. Ndash kian Jul 16 15 um 8: 24Hmmm, es scheint, diese quoteasy zu implementieren Funktion ist eigentlich ziemlich einfach, falsch zu bekommen und hat eine gute Diskussion über Speicher-Effizienz gefördert. I39m glücklich, aufblasen zu haben, wenn es bedeutet, dass etwas nach rechts gemacht worden ist. Ndash Richard NumPys Mangel an einer bestimmten Domain-spezifische Funktion ist vielleicht aufgrund der Core Teams Disziplin und Treue zu NumPys Prime-Direktive: bieten einen N-dimensionalen Array-Typ. Sowie Funktionen zum Erstellen und Indizieren dieser Arrays. Wie viele grundlegende Ziele, diese ist nicht klein, und NumPy macht es brillant. Das (viel) grßere SciPy enthält eine viel grßere Sammlung von domänenspezifischen Bibliotheken (sogenannte Unterpakete von SciPy-Devs), beispielsweise numerische Optimierung (Optimierung), Signalverarbeitung (Signal) und Integralrechnung (integrieren). Meine Vermutung ist, dass die Funktion, die Sie nach ist in mindestens einem der SciPy-Unterpakete (scipy. signal vielleicht) aber ich würde zuerst in der Sammlung von SciPy Scikits suchen. Identifizieren die relevanten Scikit (s) und suchen die Funktion von Interesse dort. Scikits sind unabhängig voneinander entwickelte Pakete, die auf NumPySciPy basieren und auf eine spezielle technische Disziplin gerichtet sind (z. B. scikits-image, scikits-learn etc.) Einige davon waren (vor allem das geniale OpenOpt für numerische Optimierung) hoch angesehene, ausgereifte Projekte Bevor er sich unter der relativ neuen Scikits-Rubrik befindet. Auf der Homepage der Scikits sind über 30 solcher Scikits aufgelistet. Obwohl mindestens einige von ihnen nicht mehr unter aktiver Entwicklung sind. Nach diesem Rat würden Sie zu scikits-timeseries führen, aber das Paket ist nicht mehr unter aktiver Entwicklung In Wirklichkeit ist Pandas geworden, AFAIK, die de facto NumPy-basierte Zeitreihen-Bibliothek. Pandas hat mehrere Funktionen, die verwendet werden können, um einen gleitenden Durchschnitt zu berechnen, der einfachste ist wahrscheinlich rollingmean. Die Sie so verwenden: Nun, rufen Sie einfach die Funktion Rolling Mean Passing in der Serie Objekt und eine Fenstergröße. Die in meinem Beispiel unten ist 10 Tage. Ob es funktioniert hat - z. Verglichen Werte 10-15 in der ursprünglichen Serie gegenüber der neuen Serie geglättet mit rollenden Mittel Die Funktion Rolling Mean, zusammen mit etwa ein Dutzend oder so andere Funktion sind informell gruppiert in der Pandas-Dokumentation unter der Rubrik Moving-Fenster-Funktionen eine zweite, verwandte Gruppe von Funktionen In Pandas wird als exponentiell gewichtete Funktionen bezeichnet (zB ewma, die einen exponentiell verschobenen gewichteten Durchschnitt berechnet). Die Tatsache, dass diese zweite Gruppe nicht in den ersten (Moving-Window-Funktionen) enthalten ist, liegt vielleicht daran, dass die exponentiell gewichteten Transformationen nicht auf eine feste Länge der Zeitreihenanalyse tsa statsmodels. tsa zurückgreifen, die Modellklassen und Funktionen enthält, die für Zeitreihen nützlich sind Analyse. Dies umfasst derzeit univariate autoregressive Modelle (AR), Vektor autoregressive Modelle (VAR) und univariate autoregressive Moving Average Models (ARMA). Es enthält auch deskriptive Statistiken für Zeitreihen, zB Autokorrelation, partielle Autokorrelationsfunktion und Periodogramm sowie die entsprechenden theoretischen Eigenschaften von ARMA oder verwandter Prozesse. Es enthält auch Methoden, um mit autoregressiven und gleitenden durchschnittlichen Lag-Polynome zu arbeiten. Zusätzlich stehen entsprechende statistische Tests und einige nützliche Helferfunktionen zur Verfügung. Die Schätzung erfolgt entweder durch exakte oder bedingte Maximum Likelihood oder bedingte Kleinstquadrate, entweder mit Hilfe von Kalman Filter oder direkten Filtern. Derzeit müssen Funktionen und Klassen aus dem entsprechenden Modul importiert werden, die Hauptklassen werden jedoch im Statsmodels. tsa-Namespace verfügbar gemacht. Die Modulstruktur befindet sich in statsmodels. tsa ist stattools. Empirische Eigenschaften und Tests, acf, pacf, Granger-Kausalität, adf-Einheit Wurzeltest, ljung-Box-Test und andere. Armodel Univariate autoregressive Prozess, Schätzung mit bedingten und exakten maximalen Likelihood und bedingte kleinste Quadrate arimamodel. Univariate ARMA-Prozess, Schätzung mit bedingter und exakter maximaler Likelihood und bedingter kleinste Quadrate vectorar, var. Vektor autoregressive Prozess - (VAR) Schätzmodelle, Impulsantwortanalyse, Prognosefehler-Varianzzerlegungen und Datenvisualisierungstools kalmanf. Schätzklassen für ARMA und andere Modelle mit genauen MLE mit Kalman Filter Armaprocess. Eigenschaften von Arma-Prozessen mit vorgegebenen Parametern, dazu gehören Werkzeuge zur Umwandlung zwischen ARMA, MA und AR-Darstellung sowie acf, pacf, spektrale Dichte, Impulsantwortfunktion und ähnliches sandbox. tsa. fftarma. Ähnlich wie armaprocess aber arbeiten im Frequenzbereich tsatools. Zusätzliche Helferfunktionen, um Arrays von verzögerten Variablen zu erstellen, Regressoren für Trend, Detrend und Ähnliches zu konstruieren. Filter. Helferfunktion zum Filtern von Zeitreihen Einige zusätzliche Funktionen, die auch für die Zeitreihenanalyse nützlich sind, befinden sich in anderen Teilen von Statsmodellen, beispielsweise zusätzlichen statistischen Tests. Einige verwandte Funktionen gibt es auch in matplotlib, nitime und scikits. talkbox. Diese Funktionen sind mehr für den Einsatz in der Signalverarbeitung konzipiert, wo längere Zeitreihen verfügbar sind und häufiger im Frequenzbereich arbeiten. Beschreibende Statistik und Tests stattools. acovf (x, unvoreingenommen, demean, fft)
No comments:
Post a Comment