kz_filter项目解析（二）

发表于2022-04-17更新于2022-04-17

昨天公式大概看了一下（虽然还是有点没大看懂哈哈哈，但是感觉有点思路了 ）

今天代码走起

首先他这个样例代码和kolzur_filter.py库代码并没有太多关联关系

所以我打算自己先自定义一些变量来实践一下kolzur_filter内部的逻辑过程

python不是很熟悉

遇到一些不会的地方就多写写注释了

我们首先拆分一下kolzur_filter内部的kz_filter函数(其实他的英文注释已经有了一些，但还是想自己理解一下🤭)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
def kz_filter(data, m, k):
    """首先看一下参数的使用，分别代表了什么
    : data 这里的data是一个集合，是一个大小为N的一阶随机数集合，数据丢失就用“”空字符串代替，确保长度对上
    : m m是一个滤波器的长度（移动平均窗口的长度）
    : k k是移动平均窗口的迭代次数
    : 返回值 返回值是一个元素数量为N-k*(m-1)的集合
    
    之后我们会给定一个时间序列集合data 这个集合是可以自己去声明的，一个随机序列，后面我们再去赋值测试
   
    """

    coef = _kz_coeffs(m, k)
    data = _kz_prod(data, coef, m, k)

    return _kz_sum(data, coef)

其实我们昨天有个最基本的公式是

253

然后其实这里的kz_filter函数就是左侧这个出参

后面我们写的_kz_coeffs函数是这个乘以左侧遍历的结果

255

第一步就是先进行_kz_coeffs函数的计算(计算系数)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
ef _kz_coeffs(m, k):
    """

    :会返回一个长度为`k*(m-1)+1`的集合结果
    这是一个可以直接调用的功能函数不用深究，会用就行
    """

    # Coefficients at degree one
    coef = np.ones(m)

    # Iterate k-1 times over coefficients
    for i in range(1, k):
        # np.zeros()函数返回一个元素全为0且给定形状和类型的数组
        t = np.zeros((m, m+i*(m-1)))
        for km in range(m):
            t[km, km:km+coef.size] = coef

        coef = np.sum(t, axis=0)

    assert coef.size == k*(m-1)+1

    print(coef/m**k)
    return coef/m**k

再然后是根据给定时间序列T进行下一步运算

1
2
3
4
5
6
7
8
9
10
11
12
13
def _kz_prod(data, coef, m, k, t=None):

    n = data.size
    #调用了sliding_window函数，后面详解
    data = sliding_window(data, k*(m-1)+1)
    assert data.shape == (n-k*(m-1), len(coef))

    # Restrict KZ product calculation to provided indices
    if t is not None:
        data = data[t]
        assert data.shape == (len(t), len(coef))

    return data*coef

接上一步看看sliding_window函数用法

1
2
3
4
5
6
7
8
9
10
11
12
def sliding_window(arr, window):
    """未来在numpy阵列上生成滑动窗口，其实也不用管太多
    :arr 这里是传进来的时间轴序列
    :window 这里是窗口长度，也就是遍历的长度k*(m-1)+1
    :return: A :class:`numpy.ndarray` of shape `(n1, ..., nN-window+1, window)`.
    """

    # arr.shape[:-1]是用来返回arr除最后一位的所有值
    shape = arr.shape[:-1] + (arr.shape[-1]-window+1, window)
    # arr.strides是用于得到时间序列的跨度
    strides = arr.strides + (arr.strides[-1],)
    return np.lib.stride_tricks.as_strided(arr, shape=shape, strides=strides)

暂且到这里可以将代码和大概的计算逻辑相结合，后面需要的应该是对于数据的处理以及项目的构建