如何快速测量numpy数组中信号的上升时间（含失败判定）

直接用Numpy的向量化操作替代Python循环，能大幅提升处理数千个数组的效率，以下是实现方案：

核心逻辑 #

我们需要：

1. 定位信号首次接近0（起始阈值）的时刻
2. 定位信号首次达到0.9的时刻
3. 判断信号是否出现回落至接近0（如≤0.5）的情况，满足则标记为-1
4. 正常情况返回上升时间（索引差×1ps）

实现代码 #

import numpy as np

def calculate_rise_time(voltage, start_thresh=0.05, rise_thresh=0.9, fall_thresh=0.5):
    # 找到首次超过起始阈值的索引（避开初始噪声）
    start_indices = np.where(voltage >= start_thresh)[0]
    if len(start_indices) == 0:
        return -1
    
    start_idx = start_indices[0]
    # 找起始点之后首次达到0.9的索引
    rise_segment = voltage[start_idx:]
    rise_indices = np.where(rise_segment >= rise_thresh)[0]
    
    # 未达到0.9，直接标记失败
    if len(rise_indices) == 0:
        return -1
    
    rise_idx = start_idx + rise_indices[0]
    # 检查达到0.9后是否回落至阈值以下
    if np.any(voltage[rise_idx:] <= fall_thresh):
        return -1
    
    # 计算上升时间（时间步长1ps，索引差即为时间）
    return (rise_idx - start_idx) * 1

批量处理数千个数组 #

如果你的数组是二维结构（每行对应一个信号数组），可以用np.apply_along_axis批量计算：

# 示例：生成1000个信号数组，每个含100个时间步
voltages = np.random.rand(1000, 100)
# 手动构造部分异常数据模拟回落情况
voltages[0] = np.linspace(0, 1, 100)  # 正常上升
voltages[1] = np.concatenate([np.linspace(0, 0.6, 50), np.linspace(0.6, 0, 50)])  # 未到0.9就回落
voltages[2] = np.concatenate([np.linspace(0, 0.9, 60), np.linspace(0.9, 0.4, 40)])  # 到0.9后回落

# 批量计算所有数组的上升时间
rise_times = np.apply_along_axis(calculate_rise_time, axis=1, arr=voltages)

关键优化点 #

• 向量化操作：np.where和np.any都是底层C实现的向量化函数，比Python循环快10~100倍
• 避免冗余计算：只在起始点之后的片段中查找0.9阈值，减少计算量
• 灵活阈值：可以根据实际信号噪声调整start_thresh（起始阈值）和fall_thresh（回落阈值）

测试示例 #

# 正常信号
normal_volt = np.array([0, 0.1, 0.3, 0.6, 0.9, 0.95, 1.0])
print(calculate_rise_time(normal_volt))  # 输出3（对应3ps）

# 未到0.9就回落
fall_early = np.array([0, 0.2, 0.4, 0.3, 0.1, 0.0])
print(calculate_rise_time(fall_early))  # 输出-1

# 到0.9后回落
fall_late = np.array([0, 0.2, 0.5, 0.8, 0.9, 0.8, 0.4, 0.1])
print(calculate_rise_time(fall_late))  # 输出-1

内容的提问来源于stack exchange，提问作者User