问题描述
根据的文档，速度应根据输入的长度而变化：
如前所述，重采样使用FFT转换，如果输入采样的数量较大且质数较大，则转换速度可能非常慢，请参见scipy.fftpack.fft。
但是对于相同的输入 ，我有非常不同的时序（因数x14），并且所需输出大小只有很小的变化：
import numpy as np, time
from scipy.signal import resample
x = np.random.rand(262144, 2)
y = np.random.rand(262144, 2)
t0 = time.time()
resample(x, 233543, axis=0)
print time.time() - t0 # 2.9 seconds here
t0 = time.time()
resample(y, 220435, axis=0)
print time.time() - t0 # 40.9 seconds here!
问题：我可以将输入零填充以具有2的幂（以照常加速FFT计算），但是由于我的重采样因子是固定的， 所以输入大小和a不能同时具有2的幂所需输出大小为2的幂 。
如何加快scipy.signal.resample ？
如果没有可能的，如果scipy.signal.resample的表现可以用一个大的因素变化很大，这使得它真的不得心应手真正使用。
那对哪个应用有用呢？
注意：我的目标是音频重采样（重音等）
编辑：最好的解决方案是最终 。
1楼
文档字符串在某种程度上引起了误导，说明了故事的一部分。 重采样过程由FFT（输入大小），零填充和逆FFT（输出大小）组成。 因此，不便的输出大小将使其速度降低，与不便的输入大小一样。
Cris Luengo建议在空间域中使用直接插值，此处应更快。 例如， 使用它（默认情况下三次样条插值）：
from scipy.ndimage import zoom
t0 = time.time()
zoom(y, (220435./262144., 1)) # maybe with prefilter=False ? up to you
print(time.time() - t0) # about 200 times faster than resample
与重采样的输出不同（毕竟是不同的方法），但是对于平滑数据（不同于此处使用的随机输入），它们应该接近。
2楼
重采样过程由FFT（输入大小），零填充和逆FFT（输出大小）组成。 因此，不便的输出大小将使其速度降低，与不便的输入大小一样。
只是要补充一点，这仅适用于上采样。 下采样的过程是：FFT->乘法-> iFFT->下采样。 因此在下采样中，FFT / iFFT与输出大小无关，而与输入大小无关。