Python numpy stride_tricks.sliding_window_view用法及代码示例

本文简要介绍 python 语言中 numpy.lib.stride_tricks.sliding_window_view 的用法。

用法:

lib.stride_tricks.sliding_window_view(x, window_shape, axis=None, *, subok=False, writeable=False)

使用给定的窗口形状在数组中创建一个滑动窗口视图。

也称为滚动或移动窗口，窗口在数组的所有维度上滑动，并在所有窗口位置提取数组的子集。

参数：

x： array_like

用于创建滑动窗口视图的数组。

window_shape： int 或 int 的元组

参与滑动窗口的每个轴上的窗口大小。如果轴不存在，则长度必须与输入数组维度的数量相同。单个整数 i 被视为元组 (i,)。

axis： int 或 int 元组，可选

沿其应用滑动窗口的轴。默认情况下，滑动窗口应用于所有轴，window_shape[i] 将引用 x 的轴 i。如果axis作为int的元组给出，window_shape[i]将引用x的轴axis[i]。单个整数 i 被视为元组 (i,)。

subok： 布尔型，可选

如果为 True，则子类将为 passed-through，否则返回的数组将被强制为 base-class 数组(默认)。

writeable： 布尔型，可选

如果为 true，则允许写入返回的视图。默认值为 false，因为应谨慎使用：返回的视图多次包含相同的内存位置，因此写入一个位置会导致其他位置发生更改。

返回：

view： ndarray

阵列的滑动窗口视图。最后插入滑动窗口尺寸，并根据滑动窗口的大小对原始尺寸进行修剪。即 view.shape = x_shape_trimmed + window_shape ，其中 x_shape_trimmed 是 x.shape ，每个条目都比相应的窗口大小小一。

注意：

对于许多应用程序来说，使用滑动窗口视图可能很方便，但可能会非常慢。通常存在专门的解决方案，例如：

• scipy.signal.fftconvolve

• scipy.ndimage 中的过滤函数

• bottleneck 提供的移动窗口函数。

作为粗略的估计，输入大小为 N 和窗口大小为 W 的滑动窗口方法将缩放为 O(N*W)，而特殊算法通常可以达到 O(N)。这意味着窗口大小为 100 的滑动窗口变体可能比更专业的版本慢 100 倍。

然而，对于小窗口大小，当不存在自定义算法时，或者作为原型设计和开发工具，此函数可能是一个很好的解决方案。

例子：

>>> x = np.arange(6)
>>> x.shape
(6,)
>>> v = sliding_window_view(x, 3)
>>> v.shape
(4, 3)
>>> v
array([[0, 1, 2],
       [1, 2, 3],
       [2, 3, 4],
       [3, 4, 5]])

这也适用于更多维度，例如

>>> i, j = np.ogrid[:3, :4]
>>> x = 10*i + j
>>> x.shape
(3, 4)
>>> x
array([[ 0,  1,  2,  3],
       [10, 11, 12, 13],
       [20, 21, 22, 23]])
>>> shape = (2,2)
>>> v = sliding_window_view(x, shape)
>>> v.shape
(2, 3, 2, 2)
>>> v
array([[[[ 0,  1],
         [10, 11]],
        [[ 1,  2],
         [11, 12]],
        [[ 2,  3],
         [12, 13]]],
       [[[10, 11],
         [20, 21]],
        [[11, 12],
         [21, 22]],
        [[12, 13],
         [22, 23]]]])

可以显式指定轴：

>>> v = sliding_window_view(x, 3, 0)
>>> v.shape
(1, 4, 3)
>>> v
array([[[ 0, 10, 20],
        [ 1, 11, 21],
        [ 2, 12, 22],
        [ 3, 13, 23]]])

同一轴可以多次使用。在这种情况下，每次使用都会减少相应的原始维度：

>>> v = sliding_window_view(x, (2, 3), (1, 1))
>>> v.shape
(3, 1, 2, 3)
>>> v
array([[[[ 0,  1,  2],
         [ 1,  2,  3]]],
       [[[10, 11, 12],
         [11, 12, 13]]],
       [[[20, 21, 22],
         [21, 22, 23]]]])

结合阶梯式切片(::step)，这可用于获取跳过元素的滑动视图：

>>> x = np.arange(7)
>>> sliding_window_view(x, 5)[:, ::2]
array([[0, 2, 4],
       [1, 3, 5],
       [2, 4, 6]])

或按多个元素移动的视图

>>> x = np.arange(7)
>>> sliding_window_view(x, 3)[::2, :]
array([[0, 1, 2],
       [2, 3, 4],
       [4, 5, 6]])

sliding_window_view 的一个常见应用是运行统计数据的计算。最简单的例子是moving average：

>>> x = np.arange(6)
>>> x.shape
(6,)
>>> v = sliding_window_view(x, 3)
>>> v.shape
(4, 3)
>>> v
array([[0, 1, 2],
       [1, 2, 3],
       [2, 3, 4],
       [3, 4, 5]])
>>> moving_average = v.mean(axis=-1)
>>> moving_average
array([1., 2., 3., 4.])

请注意，滑动窗口方法通常是不是最佳(见注释)。