Пороговый массив numpy, найти окна
Входные данные представляют собой пары двухмерных массивов (отметка времени, значение), упорядоченные по отметкам времени:
np.array([[50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66],
[ 2, 3, 5, 6, 4, 2, 1, 2, 3, 4, 5, 4, 3, 2, 1, 2, 3]])
Я хочу найти временные окна, в которых значение превышает пороговое значение (например,> = 4). Кажется, я могу выполнить пороговую часть с помощью логического условия и вернуться к отметкам времени с помощью np.extract():
>>> a[1] >= 4
array([False, False, True, True, True, False, False, False, False,
True, True, True, False, False, False, False, False])
>>> np.extract(a[1] >= 4, a[0])
array([52, 53, 54, 59, 60, 61])
Но из этого мне нужны первая и последняя временные метки каждого окна, соответствующие порогу (например, [[52, 54], [59, 61]]), и именно здесь я не могу найти правильный подход.
Ответы 2
Вот один из способов:
# Create a mask
In [42]: mask = (a[1] >= 4)
# find indice of start and end of the threshold
In [43]: ind = np.where(np.diff(mask))[0]
# add 1 to starting indices
In [44]: ind[::2] += 1
# find and reshape the result
In [45]: result = a[0][ind].reshape(-1, 2)
In [46]: result
Out[46]:
array([[52, 54],
[59, 61]])
Если последний элемент в массиве совпадает, ind заканчивается нечетным числом элементов, и изменение формы завершается ошибкой ValueError: cannot reshape array of size 4321 into shape (2).. Добавление len(a)-1 к ind в этом случае исправляет его (для этого варианта использования), поэтому последнее окно заканчивается концом набора данных.
Когда у вас есть array([52, 53, 54, 59, 60, 61]), вы можете использовать numpy.split следующим образом
a = np.array([52,53,54,59,60,61])
b = list(a)
indices = [inx for inx,j in enumerate([i[1]-i[0] for i in zip(b,b[1:])]) if j>1]
suba = np.split(a,indices)
print(suba) #prints [array([52, 53]), array([54, 59, 60, 61])]
Обратите внимание, что вы должны передавать начальные точки в качестве второго аргумента в numpy.split - в этом примере индексами является [2] (список с одним значением)
Замечательно!
np.diff()- хороший подход.