如何使用Scipy对时间序列进行浮点因子下采样以对齐传感器数据

针对你的需求，这里有两种可靠的方法，既能处理浮点下采样因子，又能应用抗混叠滤波保证结果准确性：

方法1：使用scipy.signal.resample_poly处理有理分数采样率转换 #

3.6可以转化为分数18/5，对应采样率从180Hz降到50Hz的比例是50/180 = 5/18。resample_poly函数支持通过分子（up）和分母（down）指定采样率转换比例，并且会自动应用抗混叠FIR滤波器，完美适配你的场景。

代码示例：

import numpy as np
from scipy.signal import resample_poly

# 模拟数据
sensorOneData = np.random.rand(50)
sensorTwoData = np.random.rand(180)

# 采样率转换：180Hz -> 50Hz，对应up=5，down=18
alignedSensorTwoData = resample_poly(sensorTwoData, up=5, down=18)

# 验证输出长度：应该和sensorOneData一致（50）
print(alignedSensorTwoData.shape[0])  # 输出50

方法2：分步插值+整数下采样 #

如果需要更灵活控制滤波过程，可以先将传感器2的数据上采样到原采样率和目标采样率的最小公倍数对应的采样率，再进行整数下采样：

1. 180Hz和50Hz的最小公倍数是900Hz，先把180Hz的数据上采样5倍到900Hz；
2. 再将900Hz的数据下采样18倍到50Hz，这里可以用decimate函数（支持整数因子，且自带抗混叠滤波）。

代码示例：

import numpy as np
from scipy.signal import decimate, resample

sensorOneData = np.random.rand(50)
sensorTwoData = np.random.rand(180)

# 步骤1：上采样到900Hz（180*5）
upsampled = resample(sensorTwoData, len(sensorTwoData)*5)
# 步骤2：下采样18倍到50Hz（900/18）
alignedSensorTwoData = decimate(upsampled, 18)

print(alignedSensorTwoData.shape[0])  # 输出50

两种方法都能保证抗混叠滤波的应用，输出和传感器1长度一致的对齐数据。相比resample，它们解决了无抗混叠滤波的问题；相比decimate，则支持了非整数的下采样因子需求。

内容的提问来源于stack exchange，提问作者RabbitBadger