def test_stream_taper_linear_1d():
"""
signal.tapering.time_taper testing for linear taper.
"""
# Create initial data trace
ns = 128 # number of time sample
dt = 0.01
data = np.ones((ns), dtype=np.float32)
# Create Stream object
object = Stream()
object.create(data, dt=0.01)
# Define the taper
tbeg = float(16 * dt) * 1000.
tend = float(16 * dt) * 1000.
# Tapering
object.taper(tbeg=tbeg, tend=tend, type='linear')
# Attempted output
output = np.array([
0., 0.05882353, 0.11764706, 0.17647059, 0.23529412, 0.29411766,
0.35294119, 0.41176471, 0.47058824, 0.52941179, 0.58823532, 0.64705884,
0.70588237, 0.7647059, 0.82352942, 0.88235295, 0.94117647, 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 0.94117647, 0.88235295, 0.82352942, 0.7647059, 0.70588237,
0.64705884, 0.58823532, 0.52941179, 0.47058824, 0.41176471, 0.35294119,
0.29411766, 0.23529412, 0.17647059, 0.11764706, 0.05882353, 0.
],
dtype=np.float32)
# Testing
np.testing.assert_allclose(object.traces, output, atol=1.e-4)
def test_taper_sine_1d():
"""
signal.tapering.time_taper testing for sine taper.
"""
# Create initial data trace
ns = 128 # number of time sample
dt = 0.01
data = np.ones((ns), dtype=np.float32)
# Create Stream object
object = Stream()
object.create(data, dt=0.01)
# Define the taper
tbeg = float(16 * dt) * 1000.
tend = float(16 * dt) * 1000.
# Tapering
object.taper(tbeg=tbeg, tend=tend, type='sine')
# Attempted output
output = np.array([
0., 0.09226836, 0.18374951, 0.27366298, 0.36124167, 0.44573835,
0.52643216, 0.60263461, 0.67369562, 0.7390089, 0.7980172, 0.85021716,
0.8951633, 0.93247223, 0.96182567, 0.9829731, 0.99573416, 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 0.99573416, 0.9829731, 0.96182567, 0.93247223, 0.8951633,
0.85021716, 0.7980172, 0.7390089, 0.67369562, 0.60263461, 0.52643216,
0.44573835, 0.36124167, 0.27366298, 0.18374951, 0.09226836, 0.
],
dtype=np.float32)
# Testing
np.testing.assert_allclose(object.traces, output, atol=1.e-4)
def test_taper_cosine_1d():
"""
signal.tapering.time_taper testing for cosine taper.
"""
# Create initial data trace
ns = 128 # number of time sample
dt = 0.01
data = np.ones((ns), dtype=np.float32)
# Create Stream object
object = Stream()
object.create(data, dt=0.01)
# Define the taper
tbeg = float(16 * dt) * 1000.
tend = float(16 * dt) * 1000.
# Tapering
object.taper(tbeg=tbeg, tend=tend, type='cosine')
# Attempted output
output = np.array([
0., 0.00851345, 0.03376389, 0.07489143, 0.13049555, 0.19868268,
0.27713081, 0.36316851, 0.45386583, 0.54613417, 0.63683152, 0.72286916,
0.80131733, 0.86950445, 0.92510855, 0.96623611, 0.99148655, 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,
1., 0.99148655, 0.96623611, 0.92510855, 0.86950445, 0.80131733,
0.72286916, 0.63683152, 0.54613417, 0.45386583, 0.36316851, 0.27713081,
0.19868268, 0.13049555, 0.07489143, 0.03376389, 0.00851345, 0.
],
dtype=np.float32)
# Testing
np.testing.assert_allclose(object.traces, output, atol=1.e-4)
