怎样利用代码来减少数据量，然他们都为一个共同大小的数据量

可以使用数据降采样来减少数据量，将原始数据中的每个时间点的采样率降低到一个较小的值，从而减少数据量，同时保留足够的信息。具体来说，可以使用 scipy 库中的 signal 模块中的 resample 函数来实现数据降采样。

例如，可以将原始数据每隔 k 个时间点取一个样本，从而将数据量降低到原来的 1/k。代码示例如下：

from scipy import signal

# 原始数据采样率
fs = 1000
# 降采样后的采样率
fs_new = 100

# 读取原始数据
data, fields = wfdb.rdsamp(record_path, sampto=samples)
# 获取所有导联数据
signals = data[:, :fields['n_sig']]

# 计算降采样因子
downsample_factor = int(fs / fs_new)

# 对每个导联数据进行降采样
signals_downsampled = signal.resample_poly(signals, 1, downsample_factor, axis=0)

这段代码中，`signals` 是原始数据的所有导联数据，`downsample_factor` 是降采样因子。使用 `signal.resample_poly()` 函数对每个导联数据进行降采样，得到 `signals_downsampled`，即降采样后的数据。

另外，如果想将数据集中的每个数据都调整为相同的大小，可以使用插值法来实现。例如，可以使用 scipy 库中的 interpolate 模块来实现插值。代码示例如下：

from scipy import interpolate

# 设定目标数据长度
target_length = 1000

# 读取原始数据
data, fields = wfdb.rdsamp(record_path, sampto=samples)
# 获取所有导联数据
signals = data[:, :fields['n_sig']]

# 对每个导联数据进行插值
signals_interpolated = []
for signal in signals:
    # 创建插值函数
    f = interpolate.interp1d(range(len(signal)), signal, kind='cubic')
    # 对目标长度进行插值
    signal_interpolated = f(np.linspace(0, len(signal) - 1, target_length))
    signals_interpolated.append(signal_interpolated)
signals_interpolated = np.array(signals_interpolated)

这段代码中，`target_length` 是目标数据长度，`signals` 是原始数据的所有导联数据。使用 `interpolate.interp1d()` 函数创建插值函数 `f`，然后对每个导联数据使用 `f` 对目标长度进行插值，得到 `signals_interpolated`，即插值后的数据。