python - numpy stride_tricks.as_strided vs滚动窗口的列表理解

在处理滚动窗口时，我以列表理解的方式编写了函数

[np.std(x[i:i+framesize]) for i in range(0, len(x)-framesize, hopsize)])]

最近，我发现了numpy.lib.stride_tricks.as_strided并发现它被广泛用于滚动窗口(例如this post)，即使它是“隐藏”功能。

在this issue中，为什么未记录stride_tricks.as_strided的内容提到



与列表理解或for循环相比，stride_tricks.as_strided有什么优势吗？我看了the source code of stride_tricks ，但收获甚微。

最佳答案

从 this post ，我们可以使用strided_app基本上将滑动 View 获取到数组中，它还允许我们指定hopsize/stepsize。然后，我们只需沿第二个轴使用np.std进行最终输出，就像这样-

np.std(strided_app(x, framesize, hopsize), axis=1)

sample 运行以进行验证-

In [162]: x = np.random.randint(0,9,(11))

In [163]: framesize = 5

In [164]: hopsize = 3

In [165]: np.array([np.std(x[i:i+framesize]) \
            for i in range(0, len(x)-framesize+1, hopsize)])
Out[165]: array([ 1.62480768,  2.05912603,  1.78885438])

In [166]: np.std(strided_app(x, framesize, hopsize), axis=1)
Out[166]: array([ 1.62480768,  2.05912603,  1.78885438])

作为输入数组的 View ，这些跨步操作必须真正有效。让我们找出答案!

运行时测试

循环方法-

def loopy_app(x, framesize, hopsize):
    return [np.std(x[i:i+framesize]) \
        for i in range(0, len(x)-framesize+1, hopsize)]

时间-

In [185]: x = np.random.randint(0,9,(1001))

In [186]: framesize = 5

In [187]: hopsize = 3

In [188]: %timeit loopy_app(x, framesize, hopsize)
10 loops, best of 3: 17.8 ms per loop

In [189]: %timeit np.std(strided_app(x, framesize, hopsize), axis=1)
10000 loops, best of 3: 111 µs per loop

因此，要使用strides回答有关效率的问题，计时应该有助于证明这一点!