algorithm - 如何转换两组离散点(向量)以帮助以共同的比例绘制它们

Question

我有两组离散点

G1: (x,y1), 其中 y1 在整数范围 [1..90] ( say )

G2:(x, y2)，其中y2在整数范围[1..110]内

这些点集的长度不同，但我想在一个共同的尺度上比较它们的图。

也就是说，我需要在具有通用比例(比如说 [1..100] )的单个图形中显示这些图形。

我想知道如何才能做到这一点。我必须如何转换这些向量才能以通用比例绘制它？

附言我想具体说明问题。

因此，让我们考虑两个列表:len(d1) = 110，他包含一些值。长度 (d2) = 80。我想在一张图片中构建这些图形(使用 matplotlib)。len(x) = 110 - 范围从 0 到 110

fig, ax = plt.subplots()
ax.plot(x, d1, 'k-')
ax.plot(x, d2, 'c--')

因此，如果我只是将列表 d2 的元素与某个系数相乘，我只会得到 80 个元素，并且不能将其用于绘图。我还必须填补缺失值，但我不知道该怎么做。

Answer 1

我觉得你需要 upsample / interpolate具有较少样本的向量以获得更多样本和downsample / decimate这具有更高样本的向量以获得更少的样本(本质上匹配两个向量的采样率)。

我用了scipy.signal.resample进行上/下采样。<​​/p>

我尝试使用样本量不相等的两个随机向量来模拟您的情况。

看看这是否对您有帮助:

import numpy as np
from scipy import signal  
# scipy.signal module contains a interpolator / decimator
import matplotlib.pyplot as plt

# Creating random vectors for a and b

vector_a = np.sin(2*3.14*100*np.arange(130))  
# Sine signal with 100Hz freq and 130 time samples

vector_b = np.cos(2*3.14*100*np.arange(80))
# Cosine signal with 100Hz freq and 80 time samples

# To avoid bias towards any one vector length take the
# mean of the two sample lengths as the common sample length

common_no_of_samples = (vector_a.shape[0] + vector_b.shape[0]) // 2 
# 105 Samples

# Upsample vector_a to have common_no_of_samples
vector_a = signal.resample(vector_a, common_no_of_samples)
# Downsample vector_b to have common_no_of_samples
vector_b = signal.resample(vector_b, common_no_of_samples)

fig, ax = plt.subplots()
ax.plot(np.arange(common_no_of_samples), vector_a, 'k-')
ax.plot(np.arange(common_no_of_samples), vector_b, 'c--')

# Where np.arange(common_no_of_samples) refers to the common time axis
# vector_a and vector_b are the resampled vectors.

如果你想在中作为积分你可以这样做:

time_axis = np.arange(common_no_of_samples)
vector_a = np.dstack((vector_a, time_axis))

这将生成以下形式的点:

array([[[  2.23656191e-02,   0.00000000e+00],
    [ -3.96584073e-01,   1.00000000e+00],
    [ -7.01262520e-01,   2.00000000e+00],
    [ -9.31867589e-01,   3.00000000e+00],
    [ -9.95165113e-01,   4.00000000e+00],
    [ -9.24625413e-01,   5.00000000e+00],
    [ -6.96587056e-01,   6.00000000e+00],
    [ -3.74795767e-01,   7.00000000e+00],
    [  1.59956385e-02,   8.00000000e+00],
    [  3.94192306e-01,   9.00000000e+00],
    [  7.20969109e-01,   1.00000000e+01],
    [  9.28803144e-01,   1.10000000e+01],
    [  1.00160878e+00,   1.20000000e+01],
    [  9.13659002e-01,   1.30000000e+01],
    [  6.91934367e-01,   1.40000000e+01],
    [  3.57910455e-01,   1.50000000e+01],