Comment forcer deux tableaux à être égaux pour une utilisation dans pyplot?

Voici comment remplir un tableau numpy à la longueur souhaitée avec 'nan's (remplacer' nan 'par d'autres valeurs, ou remplacer' constant 'par un autre mode en fonction des résultats souhaités) https://docs.scipy.org/doc/numpy/ reference / generated / numpy.pad.html

import random
import matplotlib
import matplotlib.pyplot as plt
import numpy as np

def movingaverage(values,window):
    weights = np.repeat(1.0,window)/window
    smas = np.convolve(values,weights,'valid')
    shorted = int((100-len(smas))/2)
    print(shorted)
    smas = np.pad(smas,(shorted,shorted),'constant',constant_values=('nan','nan'))
    return smas

sampleSize = 100
min = -10
max = 10
window = 5

vX = np.array([])
vY = np.array([])

x = 0
val = 0
while x < sampleSize:
    val += (random.randint(min,max))
    vY = np.append(vY,val)
    vX = np.append(vX,x)
    x += 1
plt.plot(vX,vY)
plt.plot(vX,(movingaverage(vY,window)))
plt.show()

Donc, dans votre code, cela ressemblerait à ceci:

import numpy as np
bob = np.asarray([1,2,3])
alice = np.pad(bob,(0,100-len(bob)),'constant',constant_values=('nan','nan'))

p >

Modifiez simplement cette ligne comme suit:

smas = np.convolve(values, weights,'same')

L'option 'valide' ne se converse que si la fenêtre couvre complètement le tableau des valeurs. Ce que vous voulez, c'est «pareil», qui fait ce que vous recherchez.

Ceci, cependant, vient aussi avec ses propres problèmes car il agit comme s'il y avait des bits supplémentaires de données avec la valeur 0 quand votre fenêtre ne repose pas entièrement sur les données. Cela peut être ignoré s'il est choisi, comme cela est fait dans cette solution, mais une autre approche consiste à remplir le tableau avec des valeurs spécifiques de votre choix à la place (voir la réponse de Mike Sperry).

Pour répondre à votre question de base, la clé est de prendre une tranche de l'axe des x appropriée aux données de la moyenne mobile. Puisque vous avez une convolution de 100 éléments de données avec une fenêtre de taille 5, le résultat est valide pour les 96 derniers éléments. Vous le traceriez comme ceci:

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

def movingaverage(values, window):
    # this step creates a view into the same buffer
    values = np.lib.stride_tricks.as_strided(values, shape=(window, values.size - window + 1), strides=values.strides * 2)
    smas = values.sum(axis=0)
    smas /= window  # in-place to avoid temp array
    return smas

sampleSize = 100
min = -10
max = 10
window = 5

v_x = np.arange(sampleSize)
v_y = np.cumsum(np.random.random_integers(min, max, sampleSize))

plt.plot(v_x, v_y)
plt.plot(v_x[window - 1:], movingaverage(v_y, window))
plt.show()

Cela étant dit, votre code pourrait supporter une optimisation. Par exemple, les tableaux numpy sont stockés dans des tampons statiques de taille fixe. Chaque fois que vous ajoutez ou supprimez dessus, le tout est réalloué, contrairement aux listes Python, qui ont un amortissement intégré. Il est toujours préférable de préallouer si vous connaissez la taille du tableau à l'avance (ce que vous faites). P >

Deuxièmement, exécuter une boucle explicite est rarement nécessaire. Vous êtes généralement mieux d'utiliser les boucles sous le capot implémentées au niveau le plus bas dans les fonctions numpy à la place. C'est ce qu'on appelle la vectorisation. La génération de nombres aléatoires, les sommes cumulées et les tableaux incrémentiels sont tous entièrement vectorisés dans numpy. Dans un sens plus général, il n'est généralement pas très efficace de mélanger des fonctions de calcul Python et numpy, y compris random.

Enfin, vous voudrez peut-être envisager une méthode de convolution différente. Je suggérerais quelque chose basé sur numpy .lib.stride_tricks.as_strided . C'est un moyen quelque peu mystérieux, mais très efficace, d'implémenter une fenêtre glissante avec des tableaux numpy. Je vais le montrer ici comme une alternative à la méthode de convolution que vous avez utilisée, mais n'hésitez pas à ignorer cette partie.

Dans l'ensemble:

plt.plot(vX[window - 1:], movingaverage(vY, window))

A remarque sur les noms: en Python, les noms de variables et de fonctions sont classiquement name_with_underscore. CamelCase est réservé aux noms de classes. np.random .random_integers utilise des limites inclusives tout comme random.randint , mais vous permet de spécifier le nombre d'échantillons à générer. Confusément, np .random.randint a une limite supérieure exclusive, plus comme random.randrange .