MATLAB: durch interpolation zu ersetzen fehlender Werte (NaN)

Habe ich cell-array, die jeweils eine Sequenz von Werten als einen zeilenvektor. Die Sequenzen enthalten einige fehlende Werte vertreten durch NaN.

Möchte ich alle ersetzen, NaNs über irgendeine Art von interpolation, wie kann ich dies in MATLAB? Ich bin auch offen für andere Vorschläge, wie der Umgang mit diesen fehlenden Werten.

Betrachten Sie dieses Beispiel Daten, um das problem zu veranschaulichen:

seq = {randn(1,10); randn(1,7); randn(1,8)};
for i=1:numel(seq)
    %# simulate some missing values
    ind = rand( size(seq{i}) ) < 0.2;
    seq{i}(ind) = nan;
end

Die resultierenden Sequenzen:

seq{1}
ans =
     -0.50782     -0.32058          NaN      -3.0292     -0.45701       1.2424          NaN      0.93373          NaN    -0.029006
seq{2}
ans =
      0.18245      -1.5651    -0.084539       1.6039     0.098348     0.041374     -0.73417
seq{3}
ans =
          NaN          NaN      0.42639     -0.37281     -0.23645       2.0237      -2.2584       2.2294

Edit:

Basiert auf den Antworten, ich denke, es ist schon eine Verwirrung: offensichtlich bin ich nicht die Arbeit mit zufälligen Daten, der code oben ist lediglich ein Beispiel, wie die Daten strukturiert sind.

Den eigentlichen Daten ist eine gewisse form der verarbeiteten Signale. Das problem ist, dass während der Analyse, meine Lösung würde fehlschlagen, wenn die Sequenzen enthalten fehlende Werte, daher die Notwendigkeit für Filterung und interpolation (die ich bereits als mit den Mittelwerten der einzelnen Sequenz, um zu füllen die Lücken, aber ich bin der Hoffnung, für etwas stärker)

  • In deinem Beispiel denke ich, Sie würden sein hart gedrückt, um einen Weg finden, um die fehlenden Werte interpolieren. Interpolation setzt Voraus, dass es irgendeine Art von Beziehungen zwischen den Daten-Punkten. Oft kann dies sein, dass Sie aus einer Zeit stammen-Serie (also eine gute Vermutung ist, dass der fehlende Teil kann abgeleitet werden von dem nahegelegenen Punkte). In deinem Beispiel Daten, die Sie versuchen zu erraten, ein "coin-flip" nur auf der Grundlage von anderen coin-flips. Wenn Sie können, geben Sie uns mehr Informationen über Ihre spezifischen Beispiel können wir helfen mehr.
  • Ich glaube, er war nur mit random-Daten als ein Beispiel für die Menschen, um mit zu spielen.
InformationsquelleAutor Dave | 2010-09-02
  1. 8

    Gut, wenn Sie arbeiten mit Zeitreihen-Daten, dann können Sie mit Hilfe von Matlab built-in-interpolation-Funktion.

    Etwas wie dies funktionieren sollte, die für Ihre situation, aber Sie brauchen, um maßgeschneiderte es ein wenig ... dh. wenn Sie nicht gleich spaced sampling müssen Sie ändern Sie die times Linie.

    nseq = cell(size(seq))
for i = 1:numel(seq)
    times = 1:length(seq{i});
    mask =  ~isnan(seq{i});
    nseq{i} = seq{i};
    nseq{i}(~mask) = interp1(times(mask), seq{i}(mask), times(~mask));

end

    Müssen Sie spielen, um mit den Optionen von interp1 um herauszufinden, welche am besten für Ihre situation.

    • vielen Dank, in meinem Fall, dass ich ändern müssen, der times Vektor, weil die Werte werden aufgezeichnet, auf eine 3-Sekunden-basis
    • ... Jetzt, wo ich darüber nachdenke, ist es egal, wie lange die Sequenzen sind gleich abgetastet, nicht wahr?
    • ja, solange Sie gleich abgetastet ist es eigentlich egal ... aber ich versuche so explizit wie möglich.
    InformationsquelleAutor JudoWill
  2. 7

    Ich würde inpaint_nans, ein tool zu ersetzen, der nan Elemente in der 1-d oder 2-d Matrizen durch lineare interpolation.

    seq{1} = [-0.50782 -0.32058 NaN -3.0292 -0.45701 1.2424 NaN 0.93373 NaN -0.029006];
seq{2} = [0.18245 -1.5651 -0.084539 1.6039 0.098348 0.041374 -0.73417];
seq{3} = [NaN NaN 0.42639 -0.37281 -0.23645 2.0237];

for i = 1:3
  seq{i} = inpaint_nans(seq{i});
end

seq{:}
ans =
 -0.50782 -0.32058 -2.0724 -3.0292 -0.45701 1.2424 1.4528 0.93373 0.44482 -0.029006

ans =
  0.18245 -1.5651 -0.084539 1.6039 0.098348 0.041374 -0.73417

ans =
  2.0248 1.2256 0.42639 -0.37281 -0.23645 2.0237
    InformationsquelleAutor
  3. 2

    Wenn Sie Zugriff auf die System Identification Toolbox, können Sie die MISDATA Funktion zur Schätzung der fehlenden Werte. Nach der Dokumentation:

    Diesem Befehl werden Linear interpoliert
    fehlende Werte zu schätzen, die erste
    Modell. Anschließend wird dieses Modell auf
    die Schätzung der fehlenden Daten
    Parameter durch die Minimierung der output
    der Vorhersage-Fehler, erhalten aus der
    rekonstruiert Daten.

    Grundsätzlich ist der Algorithmus wechselt zwischen Schätzung fehlender Daten und die Schätzung von Modellen, in ähnlicher Weise, wie der Expectation-Maximization (EM) Algorithmus.

    Modell geschätzt werden kann, beliebigen linearen Modelle idmodel (AR - /ARX/..), oder falls nicht angegeben, verwendet eine Standard-Bestellung state-space-Modell.

    Hier ist, wie Sie für Ihre Daten:

    for i=1:numel(seq)
    dat = misdata( iddata(seq{i}(:)) );
    seq{i} = dat.OutputData;
end
    InformationsquelleAutor Amro
  4. 1

    Verwenden griddedInterpolant

    Gibt es auch einige andere Funktionen wie interp1. Für gekrümmte Grundstücke spline ist das die beste Methode zu finden, die fehlenden Daten.

    • Während dieser Zusammenhang kann eine Antwort auf die Frage, ist es besser, die wesentlichen Teile der Antwort hier und den link zur Referenz. Link-nur Antworten können ungültig werden, wenn die verlinkten Seite ändert. - Nach Bewertung
    • Dies ist kein link-nur die Antworten. Die Antwort ist der name der Funktion zu verwenden - der link ist nur ein link auf die Dokumentation für diese Funktion.
    • Ihre Frage ist in der low-Qualität abgeben. Möchten Sie vielleicht zu teilen wie für den Einsatz, die Funktion, nicht nur der name der Funktion und eine Verknüpfung.
    InformationsquelleAutor Jwalant Bhatt
  5. 0

    Als JudoWill sagt, müssen Sie davon ausgehen, irgendeine Art von Beziehung zwischen Ihren Daten.

    Eine triviale Möglichkeit wäre, berechnen Sie den Mittelwert der gesamten Reihe, und verwenden Sie diese für fehlende Daten. Eine andere triviale Möglichkeit wäre, nehmen Sie den Mittelwert der n vorhergehenden und n nächsten Werte.

    Aber sehr vorsichtig sein mit diesem: wenn Sie die fehlenden Daten, Sie sind in der Regel besser zu tun mit den fehlenden Daten, als einige gefälschte Daten, vermasseln könnte Ihre Analyse.

    InformationsquelleAutor Kena
  6. 0

    Betrachten Sie das folgende Beispiel

    X=einige Nx1-array
    Y=F(X), mit ein paar NaNs in es

    dann verwenden

    X1=X(find(~isnan(Y)));
    Y1=Y(find(~isnan(Y)));

    Nun interpolieren über X1 und Y1 zu berechnen, werden alle Werte auf allen X.

    InformationsquelleAutor Jagte
Schreibe einen Kommentar