学习与思考

把零散知识整理成可以回到的路径

NumPy专项

NumPy专项

NumPy 专项

NumPy 是 Python 科学计算的基础库。当前学习目标:从“能看懂数组”进入“能独立完成数组与信号处理任务”。

参考来源:NumPy 基础练习、练习中的运行笔记,以及 Python 基础笔记的”概念 → 示例 → 场景 → 易错点 → 自测”架构。

一、安装与导入

安装与导入

1
pip install numpy
1
2
3
import numpy as np

print(np.__version__)

项目代码统一使用 import numpy as np,便于阅读和调用。

使用场景

  • 数组与矩阵计算
  • 图像、视频、传感器数据的批量运算
  • PPG/rPPG 时间序列处理
  • FFT、统计分析和实验数据预处理

二、数组创建

常用创建函数

函数 作用 常见场景
np.array(obj) 从列表或嵌套列表创建数组 将已有数据转成 NumPy 数组
np.arange(start, stop, step) 按步长生成,左闭右开 生成索引、时间轴、整数序列
np.linspace(start, stop, num) 生成固定数量的等间隔点,默认包含终点 生成实验采样点、连续区间
np.zeros(shape) 创建全 0 浮点数组 初始化 buffer、掩码
np.ones(shape) 创建全 1 浮点数组 初始化权重、测试数据
np.empty(shape) 创建未初始化数组 追求性能且随后会完整覆盖时使用
1
2
3
4
5
6
7
import numpy as np

a = np.array([1, 2, 3])
b = np.arange(0, 10, 2) # [0 2 4 6 8],不包含 10
c = np.linspace(0, 1, 5) # [0. 0.25 0.5 0.75 1. ]
d = np.zeros((2, 3))
e = np.ones(4)

从文件读写数组(loadtxt / savetxt)

np.loadtxt 把纯数值 CSV/文本文件读成数组(delimiter 分隔符、skiprows 跳行);np.savetxt 把数组写入文件(header 表头、comments 注释符)。纯数值实验数据读写首选。

1
2
3
4
5
6
7
8
9
10
import numpy as np

# 读取:signal.csv 形如 [time, value] 两列带表头
data = np.loadtxt("signal.csv", delimiter=",", skiprows=1)
time = data[:, 0] # 时间列(二维索引详见下方"四、索引、切片")
value = data[:, 1] # 信号列

# 写入:时间列 + 信号列并排成两列,写表头且不加 # 前缀
np.savetxt("out.csv", np.column_stack((time, value)),
delimiter=",", header="time,value", comments="")
  • np.column_stack((t, signal)):把两个一维数组按”列”并排成二维数组
  • comments="":必须设置,否则 header 会被默认加 # 前缀(np.loadtxt 读到时会当作注释)
  • 局限:loadtxt 只适合纯数字文件;含复杂文本/缺失值/混合类型改用 Python 标准库 csv 模块(见 6.3 从 CSV 读到 NumPy(联动))
  • 联动案例:批量生成多受试者信号文件并逐个读取求平均 → 七、批量处理实验数据(综合案例)

arange 与 linspace 的区别

  • arange 指定步长,终点通常不包含,适合整数索引和时间轴。
  • linspace 指定元素数量,默认包含终点,适合需要固定采样点数量的场景。

数组类型

1
2
3
4
5
a = np.array([1, 2, 3])
b = np.zeros(3)

print(a.dtype) # 整数类型,如 int64
print(b.dtype) # 浮点类型,如 float64

输出中的 0.、1. 表示浮点数;NumPy 信号处理通常使用浮点数组。

三、数组属性与形状

常用属性

属性 含义
arr.ndim 维度数量
arr.shape 每个维度的长度
arr.size 元素总数
arr.dtype 元素数据类型
arr.itemsize 单个元素占用的字节数
1
2
3
4
5
a = np.arange(30)
print(a.ndim) # 1
print(a.shape) # (30,)
print(a.size) # 30
print(a.dtype) # int64

reshape 改变形状

1
2
3
4
5
6
7
a = np.arange(30)

matrix = a.reshape(5, 6) # 5 行 6 列
volume = a.reshape(2, 3, 5) # 2 个 3×5 的二维数组

print(matrix.shape) # (5, 6)
print(volume.shape) # (2, 3, 5)

reshape 前后元素总数必须相同:30 个元素不能 reshape 成 (4, 8)。

使用场景

  • 检查模型输入是否为 (batch, channel, length)
  • 将一维时间序列整理为窗口
  • 将图像整理为 (height, width, channel)
  • 调试时优先打印 shape,不要凭感觉判断维度

四、索引、切片与布尔索引

一维索引与切片

1
2
3
4
5
6
7
8
a = np.arange(10)

print(a[0]) # 第一个元素
print(a[-1]) # 最后一个元素
print(a[2:5]) # 下标 2、3、4,不包含 5
print(a[:3]) # 前 3 个
print(a[::2]) # 每隔一个取一个
print(a[-2:]) # 后两个

二维索引

1
2
3
4
5
6
matrix = np.arange(12).reshape(3, 4)

print(matrix[1, 2]) # 第 2 行第 3 列
print(matrix[0, :]) # 第 1 行
print(matrix[:, 1]) # 第 2 列
print(matrix[:, 1:3]) # 第 2、3 列

二维索引取行/取列速查:

写法 取的是什么 示例结果 维度
data[0, 1] 第 0 行、第 1 列(单个值) 20 标量
data[0, :] 第 0 行、所有列 [10, 20, 30] 1D
data[:, 0] 所有行、第 0 列 [10, 40, 70] 1D
data[:, 1] 所有行、第 1 列 [20, 50, 80] 1D ✅
data[1:3, 0:2] 第 1-2 行,第 0-1 列 [[40,50],[70,80]] 2D

批量处理中 data[:, 1] 是”取某一列”的标准写法(联动:7.3 二维索引取行/取列速查)。

布尔索引

1
2
3
4
a = np.array([1, 5, 2, 8, 3])
mask = a > 3
print(mask) # [False True False True False]
print(a[mask]) # [5 8]

多个条件使用 &、|,每个条件要加括号:

1
2
3
freqs = np.array([0.1, 0.8, 1.2, 5.0])
mask = (freqs >= 0.5) & (freqs <= 4.0)
selected = freqs[mask]
  • & 是逐元素逻辑与,适用于 NumPy 数组。
  • Python 的 and 不能直接用于数组条件。
  • ~mask 表示布尔取反。

五、向量化运算与广播

基本运算

1
2
3
4
5
6
a = np.array([1, 2, 3])

print(a + 10) # 每个元素加 10
print(a * 2) # 每个元素乘 2
print(a ** 2) # 每个元素平方
print(np.sin(a)) # 对每个元素求 sin

NumPy 会对数组整体进行批量运算,通常不需要手写 for 循环。

广播

1
2
3
x = np.array([[1, 2, 3], [4, 5, 6]])
mean = np.array([1, 2, 3])
print(x - mean) # mean 自动广播到每一行

使用场景:批量减均值、归一化、RGB 通道校正、模型输入标准化。

与 Python 列表的区别

1
2
3
4
5
list_a = [1, 2, 3]
# list_a + 10 # 报错

array_a = np.array(list_a)
print(array_a + 10) # [11 12 13]

列表的 + 通常表示拼接,NumPy 数组的 + 表示逐元素加法。

六、统计与聚合

1
2
3
4
5
6
7
8
9
a = np.array([3, 1, 4, 1, 5, 9, 2, 6])

np.sum(a) # 总和
np.mean(a) # 平均值
np.max(a) # 最大值
np.min(a) # 最小值
np.std(a) # 标准差
np.argmax(a) # 最大值下标
np.argmin(a) # 最小值下标

二维数组可以指定 axis:

1
2
3
matrix = np.array([[1, 2, 3], [4, 5, 6]])
print(np.sum(matrix, axis=0)) # 按列聚合
print(np.sum(matrix, axis=1)) # 按行聚合

在信号处理中的场景

  • mean:估计直流分量、计算基线
  • std:衡量波动程度和噪声水平
  • argmax:找到 FFT 幅值最大的频率位置
  • min/max:检查信号范围和异常值

批量实验平均值:np.mean(np.array(signals), axis=0) 把多个文件堆叠成 (文件数, 采样点数) 后沿”文件轴”求平均,得到每个采样点位置的平均值——多受试者信号批量处理的骨架(联动:7.2 批量读取与求平均(完整脚本))。

七、随机数与可复现

推荐写法

1
2
3
4
5
rng = np.random.default_rng(42)
noise = rng.standard_normal(5) # 标准正态分布
uniform = rng.uniform(0, 1, 5) # 均匀分布
integers = rng.integers(0, 10, 5) # 随机整数
normal = rng.normal(0, 0.5, 5) # 指定均值和标准差

固定种子后,同一段代码会产生相同结果,便于科研复现和调试。

与 Python random 的区别

  • random 适合少量普通 Python 对象的随机操作。
  • np.random/Generator 面向数组和数值计算,适合批量生成实验数据、噪声和训练样本。
  • 新代码优先使用 np.random.default_rng(seed),不建议依赖旧式全局随机状态。

八、时间轴与信号构造

采样率与时间轴

1
2
3
fs = 30                         # 每秒 30 个采样点
duration = 10
t = np.arange(0, duration, 1 / fs)

fs 是采样频率,采样间隔为 1/fs。

构造正弦信号

1
2
3
f = 1.2                         # 频率 1.2 Hz
sig = np.sin(2 * np.pi * f * t)
print(f * 60) # 72 BPM

使用场景:模拟周期信号、测试滤波器、验证心率检测流程。

九、FFT 与频域分析

基本流程

1
2
3
4
5
6
7
fft_vals = np.fft.rfft(sig)             # 时域 → 正频率部分
freqs = np.fft.rfftfreq(len(sig), 1 / fs)
magnitude = np.abs(fft_vals) # 频率强度

peak_idx = np.argmax(magnitude)
peak_freq = freqs[peak_idx]
heart_rate = peak_freq * 60

函数说明

函数 作用
np.fft.fft 完整 FFT,包含正负频率
np.fft.rfft 实数信号的正频率部分,结果更紧凑
np.fft.fftfreq 与 fft 对应的频率轴
np.fft.rfftfreq 与 rfft 对应的频率轴
np.abs 复数幅值
np.argmax 找最大幅值下标
np.fft.irfft 正频率结果逆变换回时域

关键概念

  • 采样率为 fs 时,最高可分析频率约为 fs/2,这是奈奎斯特频率。
  • 频率分辨率约为 fs/N,其中 N 是采样点数;采样时间越长,频率分辨率越高。
  • rfft 输出复数,通常先用 np.abs 转成幅值再分析。

十、频域带通滤波

1
2
3
4
5
6
7
fft_vals = np.fft.rfft(noisy)
freqs = np.fft.rfftfreq(len(noisy), 1 / fs)

mask = (freqs >= 0.5) & (freqs <= 4.0)
fft_filtered = fft_vals.copy()
fft_filtered[~mask] = 0
filtered = np.fft.irfft(fft_filtered, n=len(noisy))

为什么使用 .copy()

fft_filtered = fft_vals 只创建别名,修改 fft_filtered 会同时修改原数组。使用 .copy() 才能保留原始频谱,方便比较滤波前后结果。

场景与边界

  • 0.5–4 Hz 大致对应 30–240 BPM,适合演示心率范围。
  • 范围过窄会误删目标信号;范围过高或过低也可能保留错误成分。
  • 频域置零是教学和快速验证方法;真实项目还需考虑滤波器边界、相位、运动伪影和信号质量。

十一、噪声与 SNR

添加噪声

1
2
3
rng = np.random.default_rng(42)
noise = rng.standard_normal(len(sig))
noisy = sig + 0.5 * noise

噪声系数越大,通常信号质量越差;但主频是否检测失败还取决于信号长度、频率分辨率和噪声分布。

SNR 计算

1
2
3
signal_power = np.mean(clean ** 2)
noise_power = np.mean((processed - clean) ** 2)
snr_db = 10 * np.log10(signal_power / noise_power)

SNR 越高,表示信号功率相对于噪声功率越大,通常代表信号质量更好。实验中要明确“信号”和“噪声”的定义,不能只看一个数字就宣称算法有效。

十二、常见错误与边界

  • np.arange 的终点通常不包含;linspace 默认包含终点。
  • zeros、ones 默认生成浮点数组;需要整数时显式指定 dtype=int。
  • shape 是元组,例如一维数组是 (30,),不是 30。
  • reshape 前后元素总数必须一致。
  • 数组多条件筛选要用 (条件1) & (条件2),不能用 and。
  • argmax 返回位置,不是最大值本身。
  • a / 0、np.sqrt(-1) 可能产生 inf、nan 和 RuntimeWarning;警告不等于程序一定停止,但结果需要检查。
  • 不要把 NumPy 数组简单称为“列表”;数组支持维度、dtype、广播和向量化运算。

十三、当前学习证据与能力评估

已有证据

  • 运行输出:成功安装 NumPy、打印版本号;完成数组创建、shape/dtype/size、运算、聚合、FFT、滤波和 SNR 练习。
  • 参数修改:修改噪声系数,观察标准差和检测结果变化;噪声系数为 2.0 时仍能检测,5.0 时检测失败。
  • 原理解释:能解释 SNR 越高代表信号相对噪声更强;能记录采样率、时间轴、正弦波构造和 FFT 主频检测。

当前等级

NumPy:L2(能够使用) 。

依据:已在练习和 AI 辅助下完成一套从数组创建到信号分析的任务,并提交了运行和参数修改证据。暂不升级到 L3,因为目前证据主要来自跟随分步练习,尚缺一个脱离教程、独立设计并完成的新任务。

L3 晋级任务

独立写一个 analyze_signal(signal, fs) 函数,输入任意一维信号和采样率,返回:

  • 信号长度、均值、标准差
  • FFT 主频和对应 BPM
  • 是否存在空值或非有限值
  • 对输入长度不足、fs <= 0 等情况给出合理处理

完成后提交:运行输出、至少两组参数/输入变化结果、用自己的话解释 fs、频率分辨率和 argmax 的关系。

十四、自测问题

  1. arange 和 linspace 的主要区别是什么?
  2. (30,) 和 (5, 6) 分别表示什么?
  3. 为什么 NumPy 数组可以直接执行 a + 10?
  4. argmax 返回什么?
  5. rfft、频率轴和 abs 三者如何配合找主频?
  6. 为什么多个数组条件要用 & 而不是 and?
  7. 为什么修改 FFT 结果前通常需要 .copy()?
  8. 采样率和最高可分析频率有什么关系?

文档关系

本文引用

反向引用

0%