3d 数组的不正确重塑答案

【问题标题】：Incorrect reshaping of 3d array3d 数组的不正确重塑
【发布时间】：2021-02-21 21:41:50
【问题描述】：

我正在对形状为 1536 x 16 x 48 的矩阵进行一些处理。以下是有关此尺寸的一些详细信息：

1536：6 秒内收集数据
16：收集器的数量（在我的例子中是电极）
48：样本数

所以，从 16 个不同的收集器的角度来看，我有 1536 个值的 48 个样本（代表 6 秒的数据）。

我的目标是对这个矩阵进行一些处理，但首先需要进行一些转换。

由于 6 秒是一个大序列，我想将每个样本分成更小的序列，特别是 3 或 2 秒。例如，1 个 6 秒样本 (1536) 可以拆分为 2 个 3 秒样本 (768) 或 3 个 2 秒样本 (512)。这个转换后的矩阵的形状将从1536x16x48 变为768x16x96（3 秒）或512x16x144（2 秒）。
一旦我有了这个新矩阵，我想重塑它，这样我就可以为每个观察者获得一个 2d 矩阵，并且所有值都以列而不是行组织（例如，2 秒拆分：512x16x144 => 144x512x16）。
最后，我现在可以遍历第 3 维 (16)，对每个 2d 矩阵进行一些计算（即快速傅立叶变换），然后将它们全部归约（求和）为一个，以获得最终的 144 x 512 矩阵（在 2 秒分割场景中）。

下面的代码是我用numpy 做的，但是当我绘制从这个方法生成的样本时，这对我来说显然是错误的。

def generate_fft_data(data,labels, n_seconds_split=3):
    x = 256 * n_seconds_split
    y = 16
    z = 48 * int(6/n_seconds_split)
    data = data.transpose(2,0,1).reshape(x,y,z).transpose(2,0,1)
    fft_data = []
    for electrode in range(data.shape[2]):
        y_t = fft(data[:,:,electrode])
        fft_data.append(np.abs(y_t))
    sum_of_ffts = np.add.reduce(fft_data) 
    return sum_of_ffts

如果需要，我可以提供更多详细信息。提前致谢。

【问题讨论】：

这听起来像是 xarray 的一个很好的用例
感谢您的建议，但现在对我来说最困难的部分是（信不信由你）重塑/分割部分。

标签： python arrays numpy matrix

【解决方案1】：

你可以试试这个：

def generate_fft_data(data,n_seconds_split=3):
    x_split = 6//n_seconds_split
    # split along 0 axis, stack pieces along the last axis and transpose
    arr = np.dstack(np.split(data, x_split)).transpose(2,0,1)
    fft_data = []
    for electrode in range(arr.shape[2]):
        y_t = fft(arr[:,:,electrode])
        fft_data.append(np.abs(y_t))
    sum_of_ffts = np.add.reduce(fft_data) 
    return sum_of_ffts

【讨论】：

谢谢。只是备注：在您的情况下，n_seconds_split 不代表所需样本的长度，而是将拆分原始样本的除数（例如，n_seconds_split=3 表示大小为 6/3 = 2 的样本）

【解决方案2】：

In [88]: data = np.ones((1536,16,48))
In [89]:  x = 256 * 3
    ...:  y = 16
    ...:  z = 48 * int(6/3)
In [90]: x,y,z
Out[90]: (768, 16, 96)
In [91]: data.transpose(2,0,1).shape
Out[91]: (48, 1536, 16)
In [92]: data.transpose(2,0,1).reshape(x,y,z).shape
Out[92]: (768, 16, 96)

将 [91] 重塑为 [92] 没有意义。它之所以有效，是因为数字“加起来”，但分布混乱。

我认为您想先将 1536 维度拆分为 (2,768)（或等效的 3），然后将该 2 维度移动到末尾，然后将其与 48 重新组合。

细节可能会有所不同，但这里有一个这样的顺序：

data1 = data.reshape(2,768,16,48).transpose(1,2,0,3).reshape(768,16,96)

【讨论】：