Как проверить понижающую дискретизацию, как задумано

Построение данных является хорошим первым при проверке. Здесь я сделал регулярный сюжет с точками, связанными линиями. Линии полезны, поскольку они дают руководство для того, где вы ожидаете, что данные с пониженной выборкой будут лгать, а также подчеркнуть, что отсутствуют данные с уменьшенной выборкой. (Это также будет работать только для отображения строк для исходных данных, но строки, как и в сюжетной линии, слишком запутывают, имхо.)

import numpy as np
import matplotlib.pyplot as plt # For ploting
from scipy import signal

fs = 100 # sample rate
rsample=43 # downsample frequency
fTwo=13 # frequency of the signal
x = np.arange(fs, dtype=float)
y = np.sin(2*np.pi*fTwo * (x/fs))
print y
f_res = signal.resample(y, rsample)
xnew = np.linspace(0, 100, f_res.size, endpoint=False)
#
# ##############################
#
plt.figure()
plt.plot(x, y, 'o')
plt.plot(xnew, f_res, 'or')
plt.show()

Несколько примечаний:

Если вы пытаетесь сделать общий алгоритм, используйте не округленные числа, иначе вы можете легко ввести ошибки, которые не отображаются, когда ситуация даже кратная. Аналогично, если вам нужно увеличить масштаб, чтобы проверить, перейдите в несколько случайных мест, а не, например, только в начало.

Обратите внимание, что я изменил fTwo на значительно меньшее число выборок. Так или иначе, вам нужно по крайней мере более одной точки данных на каждое колебание, если вы хотите это понять.

Я также удаляю цикл для вычисления y: в общем, вы должны попытаться векторизовать вычисления при использовании numpy.