初稿：2018-10-19

转载请注明：科研菜鸟：http://blog.sciencenet.cn/home.php?mod=spacecp&ac=blog

Multifractal Detrended Fluctuation Analysis (MDFA)是计算非平稳序列多重分形谱的一种实用算法。本文解读MDFA的python模块(pymdfa.py)，该代码由Copyright (c) 2014 Peter Jurica @ RIKEN Brain Science Institute, Japan提供。

pymdfa.py 主要由5个可由用户调用的函数：

__all__ = ["fastRMS","compRMS","compFq","simpleRMS","rwalk"]

和一个用户不可调用的函数：

def rw(X,w,step=1):

组成。本文将在python初学者的基础上讲解函数rwalk(X, axis=-1)。

通过理解rwalk(X, axis=-1)函数，可掌握解引用和数组维度的概念以及numpy模块中reshape、cumsum函数的用法。

函数rwalk(X, axis=-1)

功能： .计算X在axis维度方向元素的去平均累积和

，默认的是对横向元素(axis=-1)进行上述运算。

源代码：def rwalk(X, axis=-1):

"""Compute cumulative sum and subtract mean.

This function computes the sum along the last dimension.

Parameters

----------

X:    array

axis: array dimension along which to compute (default -1, the last dimension)

"""

shp = list(X.shape)   # change a tuple to a list

shp[axis] = 1

return numpy.cumsum(X - X.mean(axis).reshape(*shp), axis)    # *shp表示将shp list的两个值分开，分别赋值给reshape的两个参数，这种赋值方式成为解引用，相关概念参考文后NOTE。

# cumsum第二个参数表示沿第axis个维度进行累积和操作，具体应用参考文后NOTE

# reshape用法参考文后NOTE

# X.mean(axis)：axis方向求平均#运行示例import numpy

x = numpy.array([[1,2],[3,4]])

print(rwalk(x))[[-0.5  0. ]

[-0.5  0. ]]

NOTE解引用

在list\tuple变量中均可用*实现解应用，在dictionary变量中用*实现对key的解引用，用**实现对value的解引用。下面是一些例子：def fun(a,b,c):

print(a)

print(b)

print(c)

x=[1,2,'WO']

y=(1,2,'WO')

z={'a':1,'b':2,'c':'WO'}

z0={'b':1,'c':2,'a':'WO'}

fun(*x)

print()

fun(*y)

print()

fun(*z)# *z调用z中的keyprint()

fun(**z) # **z调用z中的valueprint()

fun(*z0)# *z0 key按元素顺序解print()

fun(**z0) # **z0 value不按元素顺序解1

2

WO

1

2

WO

a

b

c

1

2

WO

b

c

a

WO

1

2数组维度

数数组的方括号嵌套数，就可以知道数组是几维的，例如[1,2,3]是1D数组，[[1,2],[3,4]]是2D数组，[[[1,2],[3,4]],[[5,6],[7,8]]]是3D数组。数组的维度约定按从高到低排列，例如:import numpy as np

x = np.array([1,2,3,4]) # 1D 数组，数组维度上元素数量记作 (4,)print(x.shape)

x = np.array([[1,2,3],[3,4,5]]) # 2D数组，数组各维度上元素数量记作 (2,3)，约定列方向(竖向)是比行方向(横向)更高维度，列方向数量排在前面print(x.shape)

x = np.array([[[1,2,1],[3,4,1],[5,6,1],[7,8,1]],[[5,6,1],[7,8,1],[3,4,1],[1,2,1]]]) # 顺数第二层括号对有两个，这是最高维，因此最高维有2个元素，剩下维度与2D数组排序同print(x.shape)(4,)

(2, 3)

(2, 4, 3)CUMSUM

cumsum函数用于求累积和，主要用法如下示例：import numpy as np

x = np.array([[1,2],[3,4]])

print(np.cumsum(x)) # 如果不指定累积和维度，cumsum先将x按C_contiguous方式reshape成一维数组后再求累积和print(x.cumsum()) # 另外一种调用方法print(np.cumsum(x,0)) # 按最高维度方向进行元素累积和，本例中竖向元素求累积和print(np.cumsum(x,1)) # 横向元素累积和[ 1  3  6 10]

[ 1  3  6 10]

[[1 2]

[4 6]]

[[1 3]

[3 7]]RESHAPE

‘reshape’函数返回一个对原数组变形后的新数组，具体说，就是内存中按某一contiguous排列的数，按新数组维度从高到低排列，这种功能与numpy.lib.stride_tricks.as_strided函数在某种参数设定下相同。主要用法如下示例：import numpy as np

x = np.arange(10)

print(x.reshape(2,5))

print(np.reshape(x,(2,5))) #这是另一种reshape的方法，注意，这种方法的参数必须是一个tupleprint(x.shape) # reshape函数默认设置本身并不改变x的结构，只是返回了一个形变的viewy = np.reshape(x,(2,5))

x[0]=-1print(y) # 由于reshape返回的是view，x的值变，y的相应值也变化# 要改变x的shape结构，有两种方法：# 方法一：reshape后返回给自身x = np.arange(12)

x = x.reshape(2,6)

print(x)# 方法二：使用resize函数x.resize(3,4)

print(x)# reshape 与 as_strided 函数的等价性from numpy.lib.stride_tricks import as_strided as ast

x = np.arange(12)

print(ast(x,(2,6),(24,4)))

print(x.shape) # 这种方法也不改变x的结构本身，ast返回的也只是个viewprint(ast(x,(3,4),(16,4)))[[0 1 2 3 4]

[5 6 7 8 9]]

[[0 1 2 3 4]

[5 6 7 8 9]]

(10,)

[[-1  1  2  3  4]

[ 5  6  7  8  9]]

[[ 0  1  2  3  4  5]

[ 6  7  8  9 10 11]]

[[ 0  1  2  3]

[ 4  5  6  7]

[ 8  9 10 11]]

[[ 0  1  2  3  4  5]

[ 6  7  8  9 10 11]]

(12,)

[[ 0  1  2  3]

[ 4  5  6  7]

[ 8  9 10 11]]