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]

在具有给定窗口形状的阵列中创建滑动窗口视图。

也称为滚动或移动窗口，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 新版功能.

参数
xarray_like

用于创建滑动窗口视图的数组。

window_shapeint或int的元组

参与滑动窗口的每个轴上的窗口大小。如果 axis 不存在，长度必须与输入数组维数相同。单整数 i 就好像它们是元组一样 (i,) .

axisint或int的元组，可选

应用滑动窗口的一个或多个轴。默认情况下，滑动窗口应用于所有轴和轴 window_shape[i] 将参考轴 i 属于 x .如果 axis 作为一个 tuple of int ， window_shape[i] 将参考轴 axis[i] 属于 x . 单整数 i 就好像它们是元组一样 (i,) .

subok可选的布尔

如果为True，则传递子类，否则返回的数组将强制为基类数组（默认值）。

writeable可选的布尔

如果为true，则允许写入返回的视图。默认值为false，因为应该谨慎使用：返回的视图多次包含相同的内存位置，因此写入一个位置将导致其他位置发生更改。

返回
view恩达雷

阵列的滑动窗口视图。滑动窗口尺寸标注将插入到末端，并根据滑动窗口的大小修剪原始尺寸标注。也就是说， view.shape = x_shape_trimmed + window_shape 在哪里 x_shape_trimmed 是 x.shape 每一个条目都比相应的窗口小一个。

参见

lib.stride_tricks.as_strided

从自定义形状和步幅创建任意视图的较低级别和较不安全的例程。

broadcast_to

将数组广播到给定形状。

笔记

对于许多应用程序，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：

作为粗略估计，输入大小为的滑动窗口方法 N 还有一扇 W 将缩放为 O(N*W) 其中经常可以实现一种特殊的算法 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，对于较小的窗口大小，当没有自定义算法存在时，或者作为原型和开发工具，此函数可以是一个很好的解决方案。

实例

>>> 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]])

这也适用于更多维度，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]]])

同一轴可多次使用。在这种情况下，每次使用都会减少相应的原始尺寸：

>>> 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]]]])

结合阶梯切片 (::step )，这可用于获取跳过图元的滑动视图：

>>> 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]])

一种常见的 sliding_window_view is the calculation of running statistics. The simplest example is the 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.])

请注意，滑动窗口方法通常是 not 最佳（见注释）。

numpy.select numpy.lib.stride_tricks.as_strided