Numpy 中一维数组的滚动窗口？

问题描述：

有没有办法在 Numpy 中有效地实现一维数组的滚动窗口？

例如，我有这段纯 Python 代码片段来计算一维列表的滚动标准差，其中observations是一维值列表，是n标准差的窗口长度：

stdev = []
for i, data in enumerate(observations[n-1:]):
    strip = observations[i:i+n]
    mean = sum(strip) / n
    stdev.append(sqrt(250*sum([(s-mean)**2 for s in strip])/(n-1)))

有没有办法在 Numpy 中完全做到这一点，即无需任何 Python 循环？ 标准偏差对于 来说很简单numpy.std，但滚动窗口部分完全难倒了我。

我发现了这篇关于 Numpy 中的滚动窗口的博客文章，但它似乎不适用于一维数组。

解决方案 1：

只需使用博客代码，但将您的功能应用于结果。

IE

numpy.std(rolling_window(observations, n), 1)

你有（来自博客）：

def rolling_window(a, window):
    shape = a.shape[:-1] + (a.shape[-1] - window + 1, window)
    strides = a.strides + (a.strides[-1],)
    return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)

解决方案 2：

从 开始Numpy 1.20，您可以直接使用 获得滚动窗口sliding_window_view：

from numpy.lib.stride_tricks import sliding_window_view

sliding_window_view(np.array([1, 2, 3, 4, 5, 6]), window_shape = 3)
# array([[1, 2, 3],
#        [2, 3, 4],
#        [3, 4, 5],
#        [4, 5, 6]])

解决方案 3：

我尝试在具有形状的二维数组上使用上面列出的so12311的答案，[samples, features]以便获得具有形状的输出数组[samples, timesteps, features]，用于卷积或 lstm 神经网络，但效果不太好。在深入研究了步幅的工作方式后，我意识到它正在沿着最后一个轴移动窗口，因此我做了一些调整，以便窗口沿着第一个轴移动：

def rolling_window(a, window_size):
    shape = (a.shape[0] - window_size + 1, window_size) + a.shape[1:]
    strides = (a.strides[0],) + a.strides
    return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)

注意：如果您仅使用 1D 输入数组，则输出没有差异。在我的搜索中，这是第一个接近我想要的结果，所以我添加它来帮助其他搜索类似答案的人。

解决方案 4：

仅需一行代码...

import pandas as pd

pd.Series(observations).rolling(n).std()

解决方案 5：

根据后面的答案，我在这里添加了用于滚动一维 numpy 数组的代码，选择窗口大小和窗口步长频率。

a = np.arange(50)

def rolling_window(array, window_size,freq):
    shape = (array.shape[0] - window_size + 1, window_size)
    strides = (array.strides[0],) + array.strides
    rolled = np.lib.stride_tricks.as_strided(array, shape=shape, strides=strides)
    return rolled[np.arange(0,shape[0],freq)]

rolling_window(a,10,5)

输出：

array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9],
       [ 5,  6,  7,  8,  9, 10, 11, 12, 13, 14],
       [10, 11, 12, 13, 14, 15, 16, 17, 18, 19],
       [15, 16, 17, 18, 19, 20, 21, 22, 23, 24],
       [20, 21, 22, 23, 24, 25, 26, 27, 28, 29],
       [25, 26, 27, 28, 29, 30, 31, 32, 33, 34],
       [30, 31, 32, 33, 34, 35, 36, 37, 38, 39],
       [35, 36, 37, 38, 39, 40, 41, 42, 43, 44],
       [40, 41, 42, 43, 44, 45, 46, 47, 48, 49]])

解决方案 6：

def moving_avg(x,n):
    mv =  np.convolve(x,np.ones(n)/n,mode='valid')
    return np.concatenate(([np.NaN for k in range(n-1)],mv))

解决方案 7：

我需要一个滚动窗口来应用于 n 维数组的任何中间轴，因此我扩展了已接受的答案和 @Miguel Gonzalez 的代码。将滚动窗口沿任意轴应用于 nd 数组的相应代码：

def rolling_window(array, window, freq, axis=0):
    shape = array.shape[:axis] + (array.shape[axis] - window_size + 1, window_size) + array.shape[axis+1:]
    strides = array.strides[:axis] + (array.strides[axis],) + array.strides[axis:]
    rolled = np.lib.stride_tricks.as_strided(array, shape=shape, strides=strides)
    return np.take(rolled, np.arange(0,shape[axis],freq), axis=axis)

创建测试来断言函数有效性的示例：

    arr = np.random.randint(1, 1000, size=(2,108,21,5))
    arr_windowed = rolling_window_ndimensional(arr, 12, 12, axis=1)

    print(arr.shape)
    print(arr_windowed.shape)
    np.allclose(arr, arr_windowed.reshape(2,-1, 21,5))