Python 数据向量列表的快速滚动求和（2d矩阵）

我正在寻找一种快速计算滚动和的方法，可能使用Numpy。以下是我的第一个方法：

 def func1(M, w):
     Rtn = np.zeros((M.shape[0], M.shape[1]-w+1))
     for i in range(M.shape[1]-w+1):
         Rtn[:,i] = np.sum(M[:, i:w+i], axis=1)
     return Rtn

 M = np.array([[0.,  0.,  0.,  0.,  0.,  1.,  1.,  0.,  1.,  1.,  1.,  0.,  0.],
               [0.,  0.,  1.,  0.,  1.,  0.,  0.,  0.,  0.,  0.,  0.,  1.,  1.],
               [1.,  1.,  0.,  1.,  0.,  0.,  0.,  1.,  0.,  0.,  0.,  0.,  0.]])

 window_size = 4
 print func1(M, window_size)

 [[ 0.  0.  1.  2.  2.  3.  3.  3.  3.  2.]
  [ 1.  2.  2.  1.  1.  0.  0.  0.  1.  2.]
  [ 3.  2.  1.  1.  1.  1.  1.  1.  0.  0.]]

我想防止在循环中重做窗口（/sum），并希望使其更快，因此我提出了以下函数，将总和限制为滚动窗口的第一个和最后一个元素：

 def func2(M, w):
     output = np.zeros((M.shape[0], M.shape[1]-w+1))
     sum = np.sum(M[:, 0:w], axis=1)
     output[:,0] = sum

     for i in range(w, M.shape[1]):
         sum = sum + M[:,i]- M[:,i-w]
         output[:,i-w+1] = sum
     return output

但令我惊讶的是，func2的速度几乎不比func1快：

 In [251]:
 M = np.random.randint(2, size=3000).reshape(3, 1000)

 window_size = 100
 %timeit func1(M, window_size)
 10 loops, best of 3: 20.9 ms per loop

 In [252]:
 %timeit func2(M, w)
 10 loops, best of 3: 15.5 ms per loop

---

我是不是遗漏了什么？你们知道一个更好的，我是说更快的方法来实现这一点吗？

改编自@Jaime的答案：

输出

[[ 0.  0.  1.  2.  2.  3.  3.  3.  3.  2.]
 [ 1.  2.  2.  1.  1.  0.  0.  0.  1.  2.]
 [ 3.  2.  1.  1.  1.  1.  1.  1.  0.  0.]]

时间安排

In [7]: %timeit rolling_sum(M, 4)
100000 loops, best of 3: 7.89 µs per loop

In [8]: %timeit func1(M, 4)
10000 loops, best of 3: 70.4 µs per loop

In [9]: %timeit func2(M, 4)
10000 loops, best of 3: 54.1 µs per loop

---

由于运行总和==移动平均值，可能重复：除除法部分外，但除此之外，是的。您不取实际总和。你们在寻找一个滑动窗口，而不是一个连续的总和。我认为滑动窗口本身也不正确。我想你可以在滑动窗口（或滚动窗口）上求和，或者在滑动窗口上求平均值。我建议将其编辑为滚动总和，这似乎更接近正确的事情。我同意E先生的意见。快速滚动总和是我的想法。抱歉搞混了，太棒了。只是吹毛求疵，你必须取实际的

sum（运行\u sum（M））

你确定吗？我不是从这个问题上明白的。？在这种情况下，OP是在寻找一个滑动窗口，而不是一个正在运行的SUM是的，我认为你是对的，因为措辞不正确。但是很清楚问题的输出应该是什么。修复了标题和标签

In [7]: %timeit rolling_sum(M, 4)
100000 loops, best of 3: 7.89 µs per loop

In [8]: %timeit func1(M, 4)
10000 loops, best of 3: 70.4 µs per loop

In [9]: %timeit func2(M, 4)
10000 loops, best of 3: 54.1 µs per loop