具有相同输入大小的快速和非常慢的 scipy.signal.resample

根据文档scipy.signal.resample，速度应根据长度而变化of input:

如前所述，重新采样使用 FFT 变换，如果输入样本数量很大且为素数，则该变换可能会非常慢，请参阅 scipy.fftpack.fft。

但我的时间安排非常不同（因子 x14）使用相同的输入，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：我可以对输入进行零填充，使其具有 2 的幂（以像往常一样加速 FFT 计算），但由于我的重采样因子是固定的，我不能同时使用 2 的幂作为输入大小和 2 的幂作为所需的输出大小.

如何加快速度scipy.signal.resample?

如果不可能，并且如果scipy.signal.resample的性能可能会有所不同so much因素很大，实际使用起来确实不太方便。那么它对于哪些应用有用呢？

注意：我的目标是音频重新采样（重新调整音调等）

编辑：最后是最好的解决方案使用这个.

文档字符串有些误导性地陈述了故事的一部分。重采样过程包括 FFT（输入大小）、零填充和逆 FFT（输出大小）。因此，不方便的输出大小会减慢速度，就像不方便的输入大小一样。

Cris Luengo 建议在空间域中使用直接插值，这样应该会更快。例如，ndimage.zoom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

与重新采样的输出不同（毕竟是不同的方法），但对于平滑数据（与此处使用的随机输入不同），它们应该接近。