numpy.lib.stride_tricks.sliding_window_view#

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

使用给定的窗口形状创建数组的滑动窗口视图。

也称为滚动窗口或移动窗口，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。

版本 1.20.0 中新增。

参数:

xarray_like: 用于创建滑动窗口视图的数组。
window_shapeint 或 int 元组: 参与滑动窗口的每个轴的窗口大小。如果 axis 不存在，则必须与输入数组的维度数相同。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。默认情况下，滑动窗口应用于所有轴，并且 window_shape[i] 将引用 x 的轴 i。如果 axis 被给定为 int 元组，则 window_shape[i] 将引用 x 的轴 axis[i]。单个整数 i 被视为元组 (i,)。
subokbool, optional: 如果为 True，则子类将被透传，否则返回的数组将被强制为基类数组（默认）。
writeablebool，可选: 为 True 时，允许写入返回的视图。默认为 False，因为应谨慎使用：返回的视图包含多个相同的内存位置，因此写入一个位置将导致其他位置发生更改。

返回:

viewndarray: 数组的滑动窗口视图。滑动窗口维度插在末尾，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，每一项都比相应的窗口大小减去一。

另请参阅

lib.stride_tricks.as_strided: 一个更底层、不太安全的例程，用于从自定义形状和步长创建任意视图。
broadcast_to: 将数组广播到给定的形状。

备注

警告

此函数创建具有重叠内存的视图。当 writeable=True 时，写入视图将修改原始数组，并可能影响多个视图位置。请参阅下面的示例和关于复制与视图之间差异的指南。

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

scipy.signal.fftconvolve
scipy.ndimage 中scipy.ndimage的滤波函数
bottleneck 提供的移动窗口函数。

粗略估计，输入大小为 N，窗口大小为 W 的滑动窗口方法的缩放比例为 O(N*W)，而通常可以使用特殊算法达到 O(N)。这意味着窗口大小为 100 的滑动窗口变体可能比专用版本慢 100 倍。

尽管如此，对于小窗口大小，在没有自定义算法时，或作为原型设计和开发工具，此函数可能是一个不错的选择。

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]])

这在更多维度上也有效，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]]])

可以使用相同的轴多次。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），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]])

或移动多个元素的视图

>>> 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.])

下面的两个示例演示了 writeable=True 的效果。

创建具有默认 writeable=False 的视图然后写入会引发错误。

>>> v = sliding_window_view(x, 3)
>>> v[0,1] = 10
Traceback (most recent call last):
...
ValueError: assignment destination is read-only

创建具有 writeable=True 的视图然后写入会更改原始数组和多个视图位置。

>>> x = np.arange(6)  # reset x for the second example
>>> v = sliding_window_view(x, 3, writeable=True)
>>> v[0,1] = 10
>>> x
array([ 0, 10,  2,  3,  4,  5])
>>> v
array([[ 0, 10,  2],
       [10,  2,  3],
       [ 2,  3,  4],
       [ 3,  4,  5]])

请注意，滑动窗口方法通常不是最优的（请参阅说明）。