Python 使用numpy的加窗互相关

我有两个数据系列，它们之间有轻微的偏移。两者都包含需要尊重的nan值。因此，我想自动对齐它们。我的想法是使用互相关和numpy数组来解决这个问题。下面的代码非常慢，我想加快速度，但作为一名非python专家，我看不到任何改进的可能性

这个想法是要有一个基线和目标阵列。代码以窗口方式计算每个目标位置相对于基线的偏移量。对于每个窗口，计算数据点必须移动多少才能实现最佳对齐。第一个可以对齐的点位于

window\u size//2

，最后一个位于

basline.size-window\u size//2

window_size = 50
N = 100
randN = 10

baseline = np.random.rand(N,)
target = np.random.rand(N,)

mask=np.zeros(N,dtype=bool)
mask[:randN] = True
np.random.shuffle(mask)
baseline[mask] = np.nan
np.random.shuffle(mask)
target[mask] = np.nan

stacked = np.column_stack((baseline,target))
stacked_windows = sliding_window_view(stacked, (window_size,2))

offset_np = np.zeros([stacked.shape[0], ])
offset_np[:] = np.nan

for idx in range(stacked_windows.shape[0]):
  window = stacked_windows[idx]
  baseline_window_np = window.reshape(window_size,2)[:,0]
  target_window_np = window.reshape(window_size,2)[:,1]
  #
  baseline_window_masked = ma.masked_invalid(baseline_window_np) 
  target_window_masked = ma.masked_invalid(target_window_np) 
  #
  cc_np = np.empty([window_size + 1, ], dtype=np.float32)
  cc_np = np.zeros([window_size, ])
  cc_np[:] = np.nan
  for lag in range(-int(window_size//2),int(window_size//2)):
    masked_tmp = ma.masked_invalid(shift_numpy(target_window_masked, lag))
    cc_np[lag+int(window_size//2)] = ma.corrcoef(baseline_window_masked,masked_tmp)[0,1]
  if not np.isnan(cc_np).all():
    offset_np[window_size//2+idx] = np.floor(window_size//2)-np.argmax(cc_np)
    
result_np = np.column_stack((stacked, offset_np))
result_df = df = pd.DataFrame(result_np, columns = ['baseline','target','offset'])

---

我建议大家看看快速卷积方法。使用卷积定理，对于任何卷积运算，我建议使用

np.lib.stride\u技巧.as\u stride

来获得窗口，可以加快互相关速度。如果你有最新的numpy版本，你甚至可以使用

np.lib.stride\u tricks.slide\u window\u view

@Kevin我已经在使用

slide\u window\u view