python 离散序列 样本数伸缩（原创）

解决问题：

有一个固定长度的1维矩阵，将这个矩阵的取样点进行扩充和减少

功能函数：

 def discrete_scale(data, num):
     import numpy as np
     import copy
     """
     :param data: 原始一维矩阵数据
     :param num: 设定的样本长度
     :return d1: 目标矩阵输出
     """
     len = data.shape[0]  # 原始数据长度

     if len < num:  # 样本扩展
         t = (len - 1) / (num - 1)  # 映射差值
         d0 = np.array(range(num))  # 序列映射
         d0 = d0 * t

         d0_1 = copy.deepcopy(d0).astype(int)  # 整数部分
         d0_0 = d0 - d0_1  # 小数部分
         dist = data[1:] - data[:-1]  # 维度减小一个数据
         d1_1 = data[d0_1]
         d1_0 = dist[d0_1[:-1]]
         d1_0 = d1_0 * d0_0[:-1]
         d1 = copy.deepcopy(d1_1[:-1] + d1_0)
         d1 = np.hstack((d1, data[-1]))

     elif len > num:  # 样本压缩
         t = (len - 1) / num  # 映射差值 分成7个给值区域
         d0 = np.array(range(num + 1))  # 序列映射
         d0 = d0 * t

         d0_1 = copy.deepcopy(d0).astype(int)  # 整数部分
         list = []
         for i in range(d0_1.shape[0] - 1):
             list.append(np.mean(data[d0_1[i]:d0_1[i + 1] + 1]))
         d1 = np.array(list)

     else:   # 目标长度与原始长度相同
         d1 = data
     return d1

实例程序：

 import numpy as np
 a = np.array(range(0,1000))
 print(a)
 b = np.sin(a/100)
 print(b)

 num = 100
 x1 = np.array(range(num))
 y1 = discrete_scale(b, num)

 import matplotlib.pylab as plt
 plt.plot(x1, y1, 'r-')
 plt.plot(a, b, 'b-')
 plt.show()
 print(b)