Интервальное среднее данных 1D

Question

У меня есть два массива 1D, один для измеренных данных, а другой для местоположения. Например, измеренные данные могут быть температура и другой массив высоты измерения:

temp = np.asarray([10, 9.6, 9.3, ..., -20.3, -21.0]) # Temperature in celsius 
height = np.asarray([129, 145, 167, ..., 5043, 5112]) # Height in meters 

Как видно, высота измерений не равномерно распределены.

Я хочу вычислить среднюю температуру на регулярных расстояниях. Это некоторая скользящая средняя, ​​но размер окна является переменным, потому что точки данных внутри интересующего интервала не всегда одинаковы.

Это может быть сделано с для цикла следующим образом:

regular_heights = np.arange(0, 6000, 100) # Regular heights every 100m 
regular_temps = [] 

for i in range(len(regular_heights)-1): 
    mask = np.logical_and(height > regular_heights[i], height < regular_heights[i+1]) 
    mean = np.mean(temp[mask]) 
    regular_temps.append(mean) 

regular_temps = np.hstack((regular_temps)) 

мне не нравится этот подход, который много и мне было интересно, если бы более «NumPy стиле» решение.

Answer 1

Возможно, вы ищете UnivariateSpline. Например:

from scipy.interpolate import UnivariateSpline 

temp = np.asarray([10, 9.6, 9.3, 9.0, 8.7]) # Temperature in celsius 
height = np.asarray([129, 145, 167, 190, 213]) # Height in meters 
f = UnivariateSpline(height, temp) 

Теперь вы можете оценить f где вы хотите:

regular_heights = np.arange(120, 213, 5)  # Regular heights every 5m 
plot(height, temp, 'o', regular_heights, f(regular_heights), 'x')