Python numpy stride_技巧。与滚动窗口的列表理解相比

在处理滚动窗口时，我以列表理解的方式编写函数

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

最近我发现了

numpy.lib.stride\u技巧。as\u stride

发现它被广泛用于滚动窗口（例如），尽管它是一个“隐藏”函数

关于为什么stride_.as_strided没有文档记录，有人提到

故意的！这很危险！它只是帮助实现广播数组（）的低级管道

stride\u技巧有什么优势吗？as\u stride

超过了列表理解或for循环？我看了一下，但收获甚微。

从中，我们可以使用

跨步应用程序

基本上将滑动视图放入阵列中，它还允许我们指定跳跃大小/步长。然后，我们只需沿着第二个轴使用

np.std

作为最终输出，如下所示-

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

样本运行以进行验证-

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])

作为输入数组的视图，这些快速操作必须非常有效。让我们来看看吧

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)]

时间安排-

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，为了回答关于效率的问题，用

步幅

，计时应该有助于证明这一点

最近的

split

问题可能部分回答了您的问题。被接受的答案使用列表理解，我的答案大步走。我向大家展示了它是如何“不停地”访问值的。嗨@Divakar很抱歉，我没有做任何测试。这是一篇老文章，我记得我使用了

strips

而不是列表理解作为最终解决方案。