Python dask.array.lib.stride_tricks.sliding_window_view用法及代碼示例

用法: dask.array.lib.stride_tricks.sliding_window_view(x, window_shape, axis=None)

使用給定的窗口形狀在數組中創建一個滑動窗口視圖。

此文檔字符串是從 dask.array.numpy_compat.sliding_window_view 複製而來的。

可能存在與 Dask 版本的一些不一致之處。

也稱為滾動或移動窗口，窗口在數組的所有維度上滑動，並在所有窗口位置提取數組的子集。

參數：

x：array_like: 用於創建滑動窗口視圖的數組。
window_shape：int 或 int 的元組: 參與滑動窗口的每個軸上的窗口大小。如果 axis 不存在，則長度必須與輸入數組維數相同。單個整數 i 被視為元組 (i,) 。
axis：int 或 int 的元組，可選: 沿其應用滑動窗口的軸。默認情況下，滑動窗口應用於所有軸，window_shape[i] 將引用 x 的軸 i。如果 axis 作為 tuple of int , window_shape[i] 給出，將參考 x 的軸 axis[i] 。單個整數 i 被視為元組 (i,) 。
subok：bool，可選(在 Dask 中不支持): 如果為 True，則子類將為 passed-through，否則返回的數組將被強製為 base-class 數組(默認)。
writeable：bool，可選(在 Dask 中不支持): 如果為 true，則允許寫入返回的視圖。默認值為 false，因為應謹慎使用：返回的視圖多次包含相同的內存位置，因此寫入一個位置會導致其他位置發生更改。

view：ndarray: 陣列的滑動窗口視圖。最後插入滑動窗口尺寸，並根據滑動窗口的大小對原始尺寸進行修剪。即 view.shape = x_shape_trimmed + window_shape ，其中 x_shape_trimmed 是 x.shape ，每個條目都比相應的窗口大小小一。

注意：

對於許多應用程序來說，使用滑動窗口視圖可能很方便，但可能會非常慢。通常存在專門的解決方案，例如：

scipy.signal.fftconvolve
scipy.ndimage 中的過濾函數
bottleneck 提供的移動窗口函數。

作為粗略估計，輸入大小為 N 和窗口大小為 W 的滑動窗口方法將縮放為 O(N*W) ，其中通常特殊算法可以實現 O(N) 。這意味著窗口大小為 100 的滑動窗口變體可能比更專業的版本慢 100 倍。

然而，對於小窗口大小，當不存在自定義算法時，或者作為原型設計和開發工具，此函數可能是一個很好的解決方案。

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]])

這也適用於更多維度，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]]]])

可以顯式指定軸：

>>> 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]]])

同一軸可以多次使用。在這種情況下，每次使用都會減少相應的原始維度：

>>> 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]]]])

結合階梯式切片(::step)，這可用於獲取跳過元素的滑動視圖：

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

或按多個元素移動的視圖

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

sliding_window_view 的一個常見應用是運行統計的計算。最簡單的例子是 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.])

請注意，滑動窗口方法通常是不是最佳(見注釋)。

相關用法

注：本文由純淨天空篩選整理自dask.org大神的英文原創作品 dask.array.lib.stride_tricks.sliding_window_view。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

注意：

例子：