提取numpy数组的滞后特征（+；展开维度）|用步长=1重塑numpy数组

我有一个时间序列数据数组的形状

（#时间戳，#特征）

。我想为每一行（

时间戳

）

n_lags

（前几行）提取数据，并对数组进行整形，使其具有形状

（#示例，#lags+now，#特征）

，以便输入到Keras的LSTM层

以这个玩具为例：

import numpy as np
n_rows = 6
n_feat= 3
n_lag = 2

a = np.array(range(n_rows*n_feat)).reshape(n_rows, n_feat)

>>> a.shape = (6, 3)
>>> a = array([[ 0,  1,  2],
           [ 3,  4,  5],
           [ 6,  7,  8],
           [ 9, 10, 11],
           [12, 13, 14],
           [15, 16, 17]])

通过对行进行迭代我获得了预期输出：

b = np.empty(shape=(0, (n_lag + 1), n_feat))
for idx, row in enumerate(a):
   temp = np.expand_dims(a[max(0, idx-n_lag):idx+1, :], 0)
   if temp.shape[1:] == b.shape[1:]:
       b = np.append(b, temp, axis=0)


>>> b.shape = (4, 3, 3)
>>> b = array([[[ 0.,  1.,  2.],
            [ 3.,  4.,  5.],
            [ 6.,  7.,  8.]],

           [[ 3.,  4.,  5.],
            [ 6.,  7.,  8.],
            [ 9., 10., 11.]],

           [[ 6.,  7.,  8.],
            [ 9., 10., 11.],
            [12., 13., 14.]],

           [[ 9., 10., 11.],
            [12., 13., 14.],
            [15., 16., 17.]]])

注意：第一行

n_lags-1

没有足够的数据，将在最终输出中丢弃

问题： 我想知道是否有一种比在行上迭代更优雅/漂亮的方法。

您可以使用新的方法进行此操作

n_行=6
n_feat=3
n_滞后=2
a=np.数组（范围（n行*n专长））.重塑（n行，n专长）
b=np.lib.stride\u tricks.slide\u window\u view（a，window\u shape=（n\u feat，n\u feat））
B

输出：

array([[[[ 0,  1,  2],
         [ 3,  4,  5],
         [ 6,  7,  8]]],


       [[[ 3,  4,  5],
         [ 6,  7,  8],
         [ 9, 10, 11]]],


       [[[ 6,  7,  8],
         [ 9, 10, 11],
         [12, 13, 14]]],


       [[[ 9, 10, 11],
         [12, 13, 14],
         [15, 16, 17]]]])

---

b

只会改变

a

的形状和步幅，因此它会多次包含

a

的相同内存位置。换句话说，不需要分配新数组。

不是

keras

或

lstm

问题，请不要发送不相关的标签（已删除）。由于此问题旨在根据

keras

lstm

格式化数据，我预计有些人会发现看到这种联系很有趣。从未打算垃圾邮件标签，但感谢编辑标签的准则！没问题；对于将来，请记住标签应该只与问题的内容有关，而不是它的（一般）上下文。只是对代码的一个小注释

np.array（范围（n行*n行专长））

可以替换为

np.arange（n行*n行专长）

。不需要使用原始python生成器。这正是我要找的！非常感谢！不过，这是一个非常新的方法，必须首先更新Numpy:）