实验室

matlab兼容函数¶

cohere()

相干（归一化交叉谱密度）

csd()

使用韦尔奇平均周期图的交叉光谱密度

detrend()

从数组中删除平均线或最佳拟合线

find()

返回某些条件为真的索引；numpy.nonzero类似但更一般。

griddata()

将不规则分布的数据插入到规则网格中。

prctile()

查找序列的百分位数

prepca()

主成分分析

psd()

基于韦尔奇平均周期图的功率谱密度

rk4()

1d或nd系统的四阶龙格-库塔积分器

specgram()

光谱图（时间段的光谱）

其他功能¶

matlab中不存在但无论如何都有用的函数：

cohere_pairs()

所有对的一致性。这不是一个matlab函数，但是我们在实验室里计算了很多相干性，并且计算了很多对的相干性。该函数通过缓存直接FFT进行了优化，以有效地实现这一点。

rk4()

一个4阶的Runge Kutta ODE积分器，以防你发现自己在没有scipy的情况下陷入困境（以及更高级的scipy.integrate工具）。

contiguous_regions()

返回由某个逻辑掩码跨越的区域的索引

cross_from_below()

返回一维数组从下面穿过阈值的索引

cross_from_above()

返回一维数组从上穿过阈值的索引

complex_spectrum()

返回信号的复值频谱

magnitude_spectrum()

返回信号频谱的大小

angle_spectrum()

返回信号频谱的角度（包裹相位）

phase_spectrum()

返回信号频谱的相位（展开角）

detrend_mean()

去掉一条线的平均值。

demean()

去掉一条线的平均值。此功能与 detrend_mean() 除了违约 axis .

detrend_linear()

从管路中拆下最合适的管路。

detrend_none()

返回原始行。

stride_windows()

以内存高效的方式获取数组中的所有窗口

stride_repeat()

以内存高效的方式重复一个数组

apply_window()

沿给定轴应用窗口

记录数组帮助器函数¶

NumPyrecord数组的帮助方法集合

见 其他

rec2txt()

漂亮的打印记录数组

rec2csv()

将记录数组存储在csv文件中

csv2rec()

通过类型检查从csv文件导入记录数组

rec_append_fields()

将字段/数组添加到记录数组

rec_drop_fields()

从记录数组中删除字段

rec_join()

在字段序列上联接两个记录数组

recs_join()

使用单个列作为键的多个recarray的简单联接

rec_groupby()

按组汇总数据（类似于SQL Group By）

rec_summarize()

将rec数组字段筛选为新字段的帮助程序代码

对于rec-viewer函数（e rec2csv），有许多格式对象可以传递到函数中，这些函数将执行诸如颜色负值红色、设置百分比格式和缩放等操作。

示例用法：

r = csv2rec('somefile.csv', checkrows=0)

formatd = dict(
    weight = FormatFloat(2),
    change = FormatPercent(2),
    cost   = FormatThousands(2),
    )


rec2excel(r, 'test.xls', formatd=formatd)
rec2csv(r, 'test.csv', formatd=formatd)

class matplotlib.mlab.FormatBool(**kwargs)[源代码]¶

基类：matplotlib.mlab.FormatObj

2.2 版后已移除: Matplotlib 2.2中的FormatBool类已弃用，将在3.1中删除。

fromstr(s)[源代码]¶

toval(x)[源代码]¶

class matplotlib.mlab.FormatDate(**kwargs)[源代码]¶

基类：matplotlib.mlab.FormatObj

2.2 版后已移除: Matplotlib 2.2中的FormatDate类已弃用，将在3.1中删除。改为使用date.strftime。

fromstr(x)[源代码]¶

toval(x)[源代码]¶

class matplotlib.mlab.FormatDatetime(**kwargs)[源代码]¶

基类：matplotlib.mlab.FormatDate

2.2 版后已移除: Matplotlib 2.2中不推荐使用FormatDateTime类，将在3.1中删除该类。请改用datetime.strftime。

fromstr(x)[源代码]¶

class matplotlib.mlab.FormatFloat(**kwargs)[源代码]¶

基类：matplotlib.mlab.FormatFormatStr

2.2 版后已移除: Matplotlib 2.2中不推荐使用FormatFoat类，将在3.1中删除该类。

fromstr(s)[源代码]¶

toval(x)[源代码]¶

class matplotlib.mlab.FormatFormatStr(**kwargs)[源代码]¶

基类：matplotlib.mlab.FormatObj

2.2 版后已移除: Matplotlib 2.2中的FormatFormitStr类已弃用，将在3.1中删除。

tostr(x)[源代码]¶

class matplotlib.mlab.FormatInt(**kwargs)[源代码]¶

基类：matplotlib.mlab.FormatObj

2.2 版后已移除: Matplotlib 2.2中的formatint类已弃用，将在3.1中删除。

fromstr(s)[源代码]¶

tostr(x)[源代码]¶

toval(x)[源代码]¶

class matplotlib.mlab.FormatMillions(**kwargs)[源代码]¶

基类：matplotlib.mlab.FormatFloat

2.2 版后已移除: Matplotlib 2.2中不推荐使用FormatMillions类，将在3.1中删除该类。

class matplotlib.mlab.FormatObj(**kwargs)[源代码]¶

基类：object

2.2 版后已移除: Matplotlib 2.2中的FormatObj类已弃用，将在3.1中删除。

fromstr(s)[源代码]¶

tostr(x)[源代码]¶

toval(x)[源代码]¶

class matplotlib.mlab.FormatPercent(**kwargs)[源代码]¶

基类：matplotlib.mlab.FormatFloat

2.2 版后已移除: Matplotlib 2.2中的FormatPercent类已弃用，将在3.1中删除。

class matplotlib.mlab.FormatString(**kwargs)[源代码]¶

基类：matplotlib.mlab.FormatObj

2.2 版后已移除: Matplotlib 2.2中的FormatString类已弃用，将在3.1中删除。

tostr(x)[源代码]¶

class matplotlib.mlab.FormatThousands(**kwargs)[源代码]¶

基类：matplotlib.mlab.FormatFloat

2.2 版后已移除: Matplotlib 2.2中的format数千类已被弃用，将在3.1中删除。

class matplotlib.mlab.GaussianKDE(dataset, bw_method=None)[源代码]¶

基类：object

用高斯核表示核密度估计。

参数:	数据集 : array_like 要估计的数据点。对于单变量数据，这是一个一维数组，否则是一个具有形状的二维数组（为dims，为数据）。 bw_method : str，标量或可调用，可选 用于计算估计量带宽的方法。它可以是“scott”、“silverman”、标量常量或可调用的。如果是标量，它将直接用作 kde.factor . 如果是可调用的，则需要 GaussianKDE 实例作为唯一参数并返回一个标量。如果没有（默认），则使用“scott”。
属性:	数据集 : 恩达雷 数据集 gaussian_kde 已初始化。 dim : 利息 尺寸数量。 num_dp : 利息 数据点的数目。 因素 : 浮动 带宽系数，从 kde.covariance_factor 与协方差矩阵相乘。 协方差 : 恩达雷 的协方差矩阵 dataset ，按计算的带宽缩放 (kde.factor ） inv_cov : 恩达雷 逆 covariance .

方法

kde.评估（分）	（ndarray）在提供的一组点上评估估计的PDF。
KDE（点）	（ndarray）与kde.evaluate相同（分）

covariance_factor()¶

evaluate(points)[源代码]¶

在一组点上评估估计的PDF。

参数:	points : （尺寸，点）-阵列 或者，可以传入一个（的维度，）向量，并将其视为一个点。
返回:	价值观 : （点，）-数组 每个点的值。
加薪:	ValueError : 如果输入点的维数不同 而不是kde的维数。

scotts_factor()[源代码]¶

silverman_factor()[源代码]¶

class matplotlib.mlab.PCA(**kwargs)[源代码]¶

基类：object

2.2 版后已移除: PCA类在matplotlib 2.2中被弃用，将在3.1中删除。

center(x)[源代码]¶

使用训练集中的平均值和sigma对数据进行中心化和可选的标准化

project(x, minfrac=0.0)[源代码]¶

将X投影到原理轴上，删除方差分数<minfrac的任何轴

matplotlib.mlab.amap(fn, *args)[源代码]¶

2.2 版后已移除: amap函数在matplotlib 2.2中已弃用，将在3.1中删除。请改用numpy.array（list（map（…））。

AMAP（功能，序列 [，序列，…] ->数组。

作品像 map() ，但它返回一个数组。这只是一个方便的速记 numpy.array(map(...)) .

matplotlib.mlab.angle_spectrum(x, Fs=None, window=None, pad_to=None, sides=None)[源代码]¶

计算 x . 数据被填充到 pad_to 以及窗口功能 窗口 应用于信号。

参数:

x : 一维数组或序列 包含数据的数组或序列 Fs : 标量 采样频率（每个时间单位的采样数）。它用于计算傅立叶频率，频率，以周期/时间单位。默认值为2。 窗口 : 可调用的或无期限的 长度函数或向量 NFFT . 要创建窗口向量，请参见 window_hanning() ， window_none() ， numpy.blackman() ， numpy.hamming() ， numpy.bartlett() ， scipy.signal() ， scipy.signal.get_window() 等。默认值为 window_hanning() . 如果函数作为参数传递，则必须将数据段作为参数，并返回段的窗口版本。 边 : 'default'、'onesided'、'twosided' 指定要返回频谱的哪一边。默认值提供默认行为，对于实际数据和复杂数据都返回单侧值。单侧的力是单侧谱的返回，而“双侧的”力是双侧谱的返回。 pad_to : 利息 执行FFT时填充数据段的点数。虽然不能增加光谱的实际分辨率（可分辨峰之间的最小距离），但这可以在图中给出更多的点，从而提供更多的细节。这对应于 n 对fft（）的调用中的参数。默认值为“无”，设置 pad_to 等于输入信号的长度（即无填充）。

返回:

光谱 : 一维阵列 以弧度表示的角谱值（实值） 弗雷克斯 : 一维阵列 与中的元素相对应的频率 光谱

参见

complex_spectrum()

此函数返回 complex_spectrum() .

magnitude_spectrum()

angle_spectrum() 返回相应频率的大小。

phase_spectrum()

phase_spectrum() 返回此函数的未包装版本。

specgram()

specgram() 可以返回信号中段的角度谱。

matplotlib.mlab.apply_window(x, window, axis=0, return_window=None)[源代码]¶

沿给定轴将给定的窗口应用于给定的一维或二维数组。

参数:	x : 一维或二维数组或序列 包含数据的数组或序列。 窗口 : 函数或数组。 生成窗口的函数或长度为的数组 x 形状 [axis] axis : 整数 重复的轴。必须是0或1。默认值为0 return_window : 布尔 如果为真，还返回应用的窗口的1d值

matplotlib.mlab.base_repr(number, base=2, padding=0)[源代码]¶

2.2 版后已移除: Matplotlib 2.2中不推荐使用基_repr函数，将在3.1中删除。

返回的表示形式 数 在任何给定的 base .

matplotlib.mlab.binary_repr(number, max_length=1025)[源代码]¶

2.2 版后已移除: 二进制_repr函数在matplotlib 2.2中已被弃用，将在3.1中删除。

返回输入的二进制表示形式 数 作为字符串。

这比使用 base_repr() 底座2。

对于非常大的数字，增加max_length的值。注意，在32位机器上，2*1023是2的最大整数幂，可以转换为python float。

matplotlib.mlab.bivariate_normal(X, Y, sigmax=1.0, sigmay=1.0, mux=0.0, muy=0.0, sigmaxy=0.0)[源代码]¶

2.2 版后已移除: Matplotlib 2.2中不推荐使用双变量正态函数，将在3.1中删除。

等形双变量高斯分布 X ， Y .

见 bivariate normal 在MathWord上。

matplotlib.mlab.center_matrix(M, dim=0)[源代码]¶

2.2 版后已移除: Matplotlib 2.2中的center_matrix函数已弃用，将在3.1中删除。

返回矩阵 M 每行的平均值和单位标准为零。

如果 dim =1操作列而不是行。（ dim 与numpy axis kwarg相对。）

matplotlib.mlab.cohere(x, y, NFFT=256, Fs=2, detrend=<function detrend_none>, window=<function window_hanning>, noverlap=0, pad_to=None, sides='default', scale_by_freq=None)[源代码]¶

两者之间的一致性 x 和 y . 相干是标准化的交叉光谱密度：

\[C xy=frac p xy ^2 p xx p yy\]

参数:

x, y 包含数据的数组或序列 Fs : 标量 采样频率（每个时间单位的采样数）。它用于计算傅立叶频率，频率，以周期/时间单位。默认值为2。 窗口 : 可调用的或无期限的 长度函数或向量 NFFT . 要创建窗口向量，请参见 window_hanning() ， window_none() ， numpy.blackman() ， numpy.hamming() ， numpy.bartlett() ， scipy.signal() ， scipy.signal.get_window() 等。默认值为 window_hanning() . 如果函数作为参数传递，则必须将数据段作为参数，并返回段的窗口版本。 边 : 'default'、'onesided'、'twosided' 指定要返回频谱的哪一边。默认值提供默认行为，对于实际数据和复杂数据都返回单侧值。单侧的力是单侧谱的返回，而“双侧的”力是双侧谱的返回。 pad_to : 利息 执行FFT时填充数据段的点数。这可能不同于 NFFT ，指定使用的数据点的数量。虽然不能增加光谱的实际分辨率（可分辨峰之间的最小距离），但这可以在图中给出更多的点，从而提供更多的细节。这对应于 n 对fft（）的调用中的参数。默认值为“无”，设置 pad_to 等于 NFFT NFFT : 利息 在每个块中用于FFT的数据点的数目。功率2是最有效的。默认值为256。这应该 NOT 用于获取零填充，否则结果的缩放将不正确。使用 pad_to 为了这个。 颓势 : 'default'、'constant'、'mean'、'linear'、'none'或callable 在快速傅立叶变换前应用于每一段的函数，用来消除平均或线性趋势。与matlab不同，其中 颓势 参数是向量，在matplotlib中是函数。这个 mlab 模块定义 detrend_none() ， detrend_mean() 和 detrend_linear() ，但也可以使用自定义函数。您还可以使用字符串来选择其中一个函数。”“默认”、“常量”和“mean”调用 detrend_mean() . '线性调用 detrend_linear() . '无人呼叫 detrend_none() . scale_by_freq : 可选的布尔 指定是否应按比例频率缩放生成的密度值，比例频率以hz ^-1为单位提供密度。这样可以集成返回的频率值。对于matlab兼容性，默认值为true。 诺弗莱普 : 整数 块之间重叠点的数目。默认值为0（无重叠）。

返回:

The return value is the tuple (*Cxy*, *f*), where *f* are the 相干向量的频率。对于Cohere，缩放 采样频率对个体密度没有影响， 因为这些因素抵消了。

参见

psd(), csd()

matplotlib.mlab.cohere_pairs(X, ij, NFFT=256, Fs=2, detrend=<function detrend_none>, window=<function window_hanning>, noverlap=0, preferSpeedOverMemory=True, progressCallback=<function donothing_callback>, returnPxx=False)[源代码]¶

2.2 版后已移除: scipy.signal.coherence

计算所有对的相干和相位 ij 在 X .

X 是一个 数字样本 * * NUMCOLS*数组

ij 是元组列表。每个元组都是一对进入x列的索引，您要为这些列计算一致性。例如，如果 X 有64列，并且要计算所有非冗余对，请定义 ij AS：：

ij = []
for i in range(64):
    for j in range(i+1,64):
        ij.append( (i,j) )

首选速度超过内存 是可选的bool。默认为true。如果为false，则通过只生成一个而不是两个复杂的缓存数组来限制缓存。如果内存变得很关键，这很有用。即使当 首选速度超过内存 是假的， cohere_pairs() 仍然会比呼叫带来显著的性能提升 cohere() 对于每一对，使用的内存比 首选速度超过内存 是True。在我用43000,64数组覆盖所有非冗余对的测试中， 首选速度超过内存 =true与512MB RAM相比，在1.7GHz Athlon上提供了33%的性能提升 首选速度超过内存 =假。但这两种解决方案都比简单地处理所有可能的配对快10倍以上。 cohere() .

返回:	Cxy ：字典（ i ， j ）tuples->coherence vector for : （i，j）元组字典->的相干向量 那对。即。， Cxy[(i,j) = © Copyright 2002 - 2012 John Hunter, Darren Dale, Eric Firing, Michael Droettboom and the Matplotlib development team; 2012 - 2018 The Matplotlib development team. Last updated on Dec 17, 2019. Created using Sphinx 1.8.5. Doc version v3.1.1-75-g4a56626f5.