PCM音频数据的编解码

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

提示：这里可以添加本文要记录的大概内容：

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、PCM是什么？

PCM(Pulse Code Modulation，脉冲编码调制)音频数据是未经压缩的音频采样数据裸流，它是由模拟信号经过采样、量化、编码及调制转换成的标准数字音频数据。

PCM是一种用数字表示采样模拟信号方法。主要包括采样，量化，编码三个主要过程。

描述PCM数据的主要参数：
◆ Sample Rate : 采样频率。8kHz(电话)、44.1kHz(CD)、48kHz(DVD)。
◆ Sample Size : 量化位数。常见值为8-bit、16-bit。
◆ Number of Channels : 通道个数。常见的音频有立体声(stereo)和单声道(mono)两种类型，立体声包含左声道和右声道。另外还有环绕立体声等其它不太常用的类型。
◆ Sign : 表示样本数据是否是有符号位，比如用一字节表示的样本数据，有符号的话表示范围为-128 ~ 127，无符号是0 ~ 255。
◆ Byte Ordering : 字节序。字节序是little-endian还是big-endian。通常均为little-endian。
◆ Integer Or Floating Point : 整形或浮点型。大多数格式的PCM样本数据使用整形表示，而在一些对精度要求高的应用方面，使用浮点类型表示PCM样本数据

需求：为了降低传输带宽，需要对音频数据进行压缩。

压缩首先想到的是把16bit的音频数据转为8bit。最简单的方式是均匀量化， >>8 （右移8位），但这样做会使得声音的噪音变大。最好的做法是使用非均匀量化（如A-Law），其原理是对于小音量的声音，其蕴含的信息量更大，人耳对小音量更敏感；而大音量部分则影响没那么大。因此使用非均匀量化的方式，对于小音量部分保留更多的数据，大音量部分则保留更少的数据。

二、算法原理

1.音频编解码国际标准

即可以用A-Law（A律）算法，也可以用uLaw（μ律），两种算法可相互转化。

令量化器过载电压为1,相当于把输入信号进行归一化，那么A律对数压缩定义为：

当0 <= x <

2.A律算法原理

即可以用A-Law（A律）算法，也可以用uLaw（μ律），两种算法可相互转化。

令量化器过载电压为1,相当于把输入信号进行归一化，那么A律对数压缩定义为：

当0 <= x <= 1/A时，f(x)=(Ax)/(1+lnA)
当1/A <= x <= 1时，f(x)=(1+lnAx)/(1+lnA)

现行的国际标准中A=87.6，此时信号很小时(即小信号时)，从上式可以看到信号被放大了16倍，
 这相当于A压缩率与无压缩特性比较，对于小信号的情况，量化间隔比均匀量化时减小了16倍，
 因此，量化误差大大降低；而对于大信号的情况例如x=1，量化间隔比均匀量化时增大了5.47倍，
 量化误差增大了。这样实际上就实现了“压大补小”的效果。

在程序中实现该曲线比较复杂。因此用8段折线来近似表示。

把x轴划分为不均匀的8份，第一点取1/2处，第二点取1/4处，第三点取1/8处……第七点取1/128.

把y轴划分为均匀的8分段。

2.读入数据

代码如下（示例）：

data = pd.read_csv('https://labfile.oss.aliyuncs.com/courses/1283/adult.data.csv')
print(data.head())

该处使用的url网络请求的数据。

---

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。