numpy.lib.stride_tricks.sliding_window_view#

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

创建一个具有给定窗口形状的数组滑动窗口视图。

也称为滚动窗口或移动窗口，该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。

1.20.0 版本中的新功能。

参数:
xarray_like

用于创建滑动窗口视图的数组。

window_shapeint 或 int 元组

滑动窗口中每个轴的窗口大小。如果未提供 axis，则其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,)。

axisint 或 int 元组，可选

应用滑动窗口的轴或多个轴。默认情况下，滑动窗口应用于所有轴，window_shape[i] 将指代 x 的第 i 个轴。如果 axis 给定为 int 元组，则 window_shape[i] 将指代 x 的 axis[i] 轴。单个整数 i 被视为元组 (i,)。

subokbool，可选

如果为 True，则子类将被传递，否则返回的数组将被强制为基类数组（默认值）。

writeablebool，可选

如果为 True，则允许写入返回的视图。默认值为 False，因为这应该谨慎使用：返回的视图包含多次相同的内存位置，因此写入一个位置将导致其他位置也发生更改。

返回:
viewndarray

数组的滑动窗口视图。滑动窗口维度被插入到末尾，并且原始维度根据滑动窗口的大小进行修剪。也就是说，view.shape = x_shape_trimmed + window_shape，其中 x_shape_trimmed 是 x.shape，其每个条目都比相应的窗口大小小一。

另请参阅

lib.stride_tricks.as_strided

一个更底层、更不安全的例程，用于从自定义形状和步幅创建任意视图。

broadcast_to

将数组广播到给定形状。

备注

对于许多应用而言，使用滑动窗口视图可能很方便，但也可能非常慢。通常存在专门的解决方案，例如：

粗略估计，输入大小为 N、窗口大小为 W 的滑动窗口方法的复杂度为 O(N*W)，而通常专用算法可以达到 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、不存在自定义算法，或者作为原型设计和开发工具时，此函数可能是一个不错的解决方案。

示例

>>> import numpy as np
>>> from numpy.lib.stride_tricks import sliding_window_view
>>> 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]])

这在更多维度中也适用，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]]]])

可以明确指定轴

>>> 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]]])

同一个轴可以多次使用。在这种情况下，每次使用都会减小相应的原始维度

>>> 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]]]])

结合步进切片 (::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 的一个常见应用是计算运行统计量。最简单的例子是 移动平均

>>> 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，滑动窗口方法通常不是最优的（参见备注）。