Python numpy stride_tricks.sliding_window_view用法及代碼示例

本文簡要介紹 python 語言中 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)

使用給定的窗口形狀在數組中創建一個滑動窗口視圖。

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。如果軸不存在，則長度必須與輸入數組維度的數量相同。單個整數 i 被視為元組 (i,)。

axis： int 或 int 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int的元組給出，window_shape[i]將引用x的軸axis[i]。單個整數 i 被視為元組 (i,)。

subok： 布爾型，可選

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： 布爾型，可選

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。

返回：

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。

作為粗略的估計，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)，而特殊算法通常可以達到 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數據的計算。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)。