组合时间序列中的相似信号答案

【问题标题】：Combining similar signals in timeseries组合时间序列中的相似信号
【发布时间】：2018-05-26 14:19:01
【问题描述】：

假设我有一个这样的信号。我已经对其进行了几轮拟合，现在我可以更轻松地管理信号了。

但无论出于何种原因，我似乎无法消除一些微小的差异。

import numpy as np
import matplotlib.pyplot as plt
import pandas as pd


a = [0.5]*20
b = [0.4]*20
c = [0.503]*20
d = [0.4]*20

signal = pd.Series(np.concatenate([a,b,c,d]))

plt.figure(figsize = (7,3))
plt.plot(signal, color = "firebrick")
plt.axhline(0.5, linestyle = ":")
plt.show()

# Identify the four different intensities, so they can be grouped
id = signal.transform(lambda x: (abs(x.diff()) > 0).cumsum())

我认为解决方案可能是将所有信号从低到高排列 [0.4, 0.4, 0.5, 0.503]

然后遍历它们，同时忽略微小的差异，例如0.010，所以

id = signal.transform(lambda x: (abs(x.diff()) > 0.010).cumsum())

然后我会正确识别只有 2 种不同的强度。对于微小的差异，我可以取平均值或中位数。这并没有什么不同。重要的是我不计算超过 2 种不同的强度。

我该怎么做？

【问题讨论】：

不清楚你在问什么。你的问题是什么？你想要的输出是什么？
@pault 基本上我想纠正拟合的过冲，以便 0.503 和 0.5 的均值对齐到相同的值（均值、中值、最小，无关紧要），在与原始数据相同的索引。这有意义吗？
对系列进行阈值处理怎么样？例如，按平均值设置阈值并计算大于平均值和小于平均值的值的中值：med_high = signal[signal > signal.mean()].median() 和 med_low = signal[signal < signal.mean()].median()

标签： python python-3.x signal-processing

【解决方案1】：

这是我在评论中提出的想法的详细说明。

使用信号的平均值作为阈值。然后计算高于阈值的信号部分和低于阈值的部分的中值。使用这些来转换您的数据。

med_high = signal[signal > signal.mean()].median()
med_low = signal[signal < signal.mean()].median()
print (med_low, med_high)

new_signal = signal.transform(lambda x: med_low if x < signal.mean() else med_high)
plt.figure(figsize = (7,3))
plt.plot(new_signal, color = "firebrick")
plt.axhline(0.5, linestyle = ":")
plt.show()

结果：

【讨论】：