resample

你可以找另一台的电脑上去复制下这个缺失的文件，看看能否解决问题或者你可以尝试使用腾讯电脑管家来修复缺失DLL文件具体方法是，打开腾讯电脑管家--电脑诊所--软件问题--丢失.Dll 文件--一键修复--完成如果还是解决不了，去脚本之家下一个文件直接复制进去就能搞定了 如果找不到，还可以下载一个dx修复工具3.0增强版，去修复一下

0, passthrough: 时间戳不做任何改变，demuxer中是什么，直接传给muxer。 1, cfr: 为了达到固定的帧率，中间可能会丢弃一些帧。 最好使用字符串，如cfr来指定模式。 可以使用数字是为了兼容。 -vsync auto是默认的视频同步模式。根据muxer的处理能力选择0(passthrough)或1(cfr) 。 需要注意的是，在后续的处理过程中，时间戳还可能被修改。 比如启用了avoid_negative_ts参数时。 利用-map，你可以选择采用哪路流的时间戳。 可以保持视频或音频不变，然后其它流同步到不变的那路流。 ffmpeg.h中的相关宏定义: ffmpeg_opt.c中 由 .func_arg = opt_vsync 看出处理函数为opt_vsync: 传入的参数值，被保存在video_sync_method中。 可以查询video_sync_method的默认值: 这个参数已经废弃 。请使用sresample audio filter。 aresample 是一个音频的filter 。 该参数调用libswresample库，对输入的音频按照指定参数进行重采样。 The filter accepts the syntax sample_rate表示采样率。 resampler_options 是key=value 对的list, 用 ":"来分割. 参数参见: https://ffmpeg.org/ffmpeg-resampler.html#Resampler-Options https://ffmpeg.org/ffmpeg-all.html

resample是抽取decimate和插值interp的两个结合具体完成如下操作，先插值9变成250*9Hz然后抽取25变成速率90Hz

如果不想慢慢花时间找软件出错的原因的话 两种选择一、重装该软件可以以解决这个问题二、可以多装一个 格式工厂 ，专门用来转换声音、视频格式，用法简单，下载安装快捷就当作是个备用软件，格式工厂支持多种音频、视频格式的转换，着急要这个音频文件的话就先装一个吧

同遇到问题，重采样为500M。但是不知道XY的大小怎么设置。还有单位是什么也不知道

你就不会重新安装啊

imresize，该函数用于对图像做缩放处理。在matlab的命令窗口中输入doc imresize或者helpimresize即可获得该函数的帮助信息。函数功能该函数用于对图像做缩放

解决方法：直接获取它全部的索引值强制改变 temp_volume_series.index = temp_time_series！

#python中的pandas库主要有DataFrame和Series类(面向对象的的语言更愿意叫类) DataFrame也就是#数据框(主要是借鉴R里面的data.frame)，Series也就是序列 ，pandas底层是c写的 性能很棒，有大神#做过测试 处理亿级别的数据没问题，起性能可以跟同等配置的sas媲美#DataFrame索引 df.loc是标签选取操作，df.iloc是位置切片操作print(df[["row_names","Rape"]])df["行标签"]df.loc[行标签,列标签]print(df.loc[0:2,["Rape","Murder"]])df.iloc[行位置,列位置]df.iloc[1,1]#选取第二行，第二列的值，返回的为单个值df.iloc[0,2],:]#选取第一行及第三行的数据df.iloc[0:2,:]#选取第一行到第三行（不包含）的数据df.iloc[:,1]#选取所有记录的第一列的值，返回的为一个Seriesdf.iloc[1,:]#选取第一行数据，返回的为一个Seriesprint(df.ix[1,1]) # 更广义的切片方式是使用.ix，它自动根据你给到的索引类型判断是使用位置还是标签进行切片print(df.ix[0:2])#DataFrame根据条件选取子集 类似于sas里面if、where ,R里面的subset之类的函数df[df.Murder>13]df[(df.Murder>10)&(df.Rape>30)]df[df.sex==u"男"]#重命名 相当于sas里面的rename R软件中reshape包的中的renamedf.rename(columns={"A":"A_rename"}) df.rename(index={1:"other"})#删除列 相当于sas中的drop R软件中的test["col"]<-nulldf.drop(["a","b"],axis=1) or del df[["a","b"]]#排序 相当于sas里面的sort R软件里面的df[order(x),]df.sort(columns="C") #行排序 y轴上df.sort(axis=1) #各个列之间位置排序 x轴上#数据描述 相当于sas中proc menas R软件里面的summarydf.describe()#生成新的一列 跟R里面有点类似df["new_columns"]=df["columns"]df.insert(1,"new_columns",df["B"]) #效率最高df.join(Series(df["columns"],name="new_columns"))#列上面的追加 相当于sas中的append R里面cbind()df.append(df1,ignore_index=True)pd.concat([df,df1],ignore_index=True)#最经典的join 跟sas和R里面的merge类似 跟sql里面的各种join对照merge()#删除重行 跟sas里面nodukey R里面的which(!duplicated(df[])类似df.drop_duplicated()#获取最大值 最小值的位置 有点类似矩阵里面的方法df.idxmin(axis=0 ) df.idxmax(axis=1) 0和1有什么不同 自己摸索去#读取外部数据跟sas的proc import R里面的read.csv等类似read_excel() read_csv() read_hdf5() 等与之相反的是df.to_excel() df.to_ecv()#缺失值处理 个人觉得pandas中缺失值处理比sas和R方便多了df.fillna(9999) #用9999填充 #链接数据库 不多说 pandas里面主要用 MySQLdbimport MySQLdbconn=MySQLdb.connect(host="localhost",user="root",passwd="",db="mysql",use_unicode=True,charset="utf8")read_sql() #很经典#写数据进数据库df.to_sql("hbase_visit",con, flavor="mysql", if_exists="replace", index=False)#groupby 跟sas里面的中的by R软件中dplyr包中的group_by sql里面的group by功能是一样的 这里不多说#求哑变量 dumiper=pd.get_dummies(df["key"])df["key"].join(dumpier)#透视表 和交叉表 跟sas里面的proc freq步类似 R里面的aggrate和cast函数类似pd.pivot_table()pd.crosstab()#聚合函数经常跟group by一起组合用df.groupby("sex").agg({"height":["mean","sum"],"weight":["count","min"]}) #数据查询过滤test.query("0.2将STK_ID中的值过滤出来stk_list = ["600809","600141","600329"]中的全部记录过滤出来，命令是：rpt[rpt["STK_ID"].isin(stk_list)].将dataframe中，某列进行清洗的命令删除换行符：misc["product_desc"] = misc["product_desc"].str.replace(" ", "")删除字符串前后空格：df["Make"] = df["Make"].map(str.strip)如果用模糊匹配的话，命令是：rpt[rpt["STK_ID"].str.contains(r"^600[0-9]{3}$")]对dataframe中元素，进行类型转换df["2nd"] = df["2nd"].str.replace(",","").astype(int) df["CTR"] = df["CTR"].str.replace("%","").astype(np.float64)#时间变换 主要依赖于datemie 和time两个包http://www.2cto.com/kf/201401/276088.html#其他的一些技巧df2[df2["A"].map(lambda x:x.startswith("61"))] #筛选出以61开头的数据df2["Author"].str.replace("<.+>", "").head() #replace("<.+>", "")表示将字符串中以”<”开头;以”>”结束的任意子串替换为空字符串commits = df2["Name"].head(15)print commits.unique(), len(commits.unique()) #获的NAME的不同个数，类似于sql里面count(distinct name)#pandas中最核心 最经典的函数apply map applymap

同样也是上一篇练习遇到的函数，感觉有点儿复杂，这里学习下。 DataFrame.resample(self, rule, axis=0, closed: Union[str, NoneType] = None, label: Union[str, NoneType] = None, convention: str = "start", kind: Union[str, NoneType] = None, loffset=None, base: int = 0, on=None, level=None) Resample time-series data Convenience method for frequency conversion and resampling of time series. Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword. 这个函数是针对时间序列，对DataFrame进行重构 关于 date_range 可以参考上一篇： pandas - date_range 我们先创建个数据 这里，主要是需要指定一个重构的规则 resample就是根据2D，2D表示就是2天，也就是根据2天重新构建DataFrame 我们这里就调用sum函数，将符合这个规则的元素求和 我们来观察index，原来是1-10，现在变成1,3,5,7,9，也就是间隔2天一组 label参数 指定，我们使用哪一个作为新的label closed参数 这个稍微有点儿奇怪 label的话，是说，我们重组了数据之后，会有多行记录进行合并，那应该取哪一行的label来显示呢？label就是用来指定这个的； 但是closed参数呢？ Which side of bin interval is closed. The default is ‘left" for all frequency offsets except for ‘M", ‘A", ‘Q", ‘BM", ‘BA", ‘BQ", and ‘W" which all have a default of ‘right". 我们再来看一下原始数据： 我们来试试closed参数 默认是 closed="left" 这里理解起来还是可以的，2天为一个间隔，label也默认是left 然后，我们来看看 closed="right" 这里，我就有点儿疑惑了，数据的重组是我在Excel中用颜色标出来的，这个我可以理解，但是这个label，为什么往前多取了一个 有点儿奇怪，我得捋一捋

Python-for-data-重新采样和频率转换 重新采样指的是将时间序列从一个频率转换到另一个频率的过程。 但是也并不是所有的采样方式都是属于上面的两种 pandas中使用resample方法来实现频率转换，下面是resample方法的参数详解： 将数据聚合到一个规则的低频上，例如将时间转换为每个月，"M"或者"BM"，将数据分成一个月的时间间隔。 每个间隔是半闭合的，一个数据只能属于一个时间间隔。时间间隔的并集必须是整个时间帧 默认情况下，左箱体边界是包含的。00:00的值是00：00到00：05间隔内的值 产生的时间序列按照每个箱体左边的时间戳被标记。 传递<span class="mark">label="right"</span>可以使用右箱体边界标记时间序列 向loffset参数传递字符串或者日期偏置 在金融数据中，为每个数据桶计算4个值是常见的问题： 通过<span class="girk">ohlc聚合函数</span>能够得到四种聚合值列的DF数据 低频转到高频的时候会形成缺失值 ffill() ：使用前面的值填充， limit 限制填充的次数