如何在python中高效地计算移动平均值

我正在寻找一种计算3d Numpy数组中每个给定值的平均值的方法，其中20个值在正上方的行中，20个值在正下方的行中。这类似于我之前问的问题（），但计算41个值的平均值，而不是最小值21

我尝试过使用，但这没有一种模式可以正确处理接近数组边缘的值。数组外部的窗口不应包括在平均值计算中（即，在数组的底部/顶部位置，平均值应分别取自边缘值和上面/下面的20行）

是否有任何方法可以使用均匀滤波器，或者是否有其他方法可以实现这一点

谢谢

编辑：

---

Numpy阵列的尺寸为20x3200x18，因此我正在寻找一种相对有效的解决方案。

您可以使用

scipy.signal.convolve

来完成此操作

import scipy.signal as sig

def windowed_mean(arr, n):
    dims = len(arr.shape)
    s = sig.convolve(arr, np.ones((2*n+1,)*dims), mode='same')
    d = sig.convolve(np.ones_like(arr), np.ones((2*n+1,)*dims), mode='same')
    return s/d

---

基本上，

s

是一个加窗求和，而

d

是一个加窗计数器，因此您可以避免边缘错误

如果您真的希望在这方面获得性能，您可以利用

cumsum

只需计算一次求和，这将使实现速度提高约40倍

请参见下面的示例。如果没有您的确切数据和参考实现，我无法验证这是否完全符合您的要求，但它在精神上应该是正确的

import numpy as np
import matplotlib.pyplot as plt

arr = np.random.rand(20, 3200, 18)
n = 20

cumsum = np.cumsum(arr, axis=1)

means_lower = cumsum[:, :n, :] / np.arange(1, n + 1)[None, :, None]
means_middle = (cumsum[:, 2 * n:, :] - cumsum[:, :-2 * n , :]) / (2 * n)
means_upper = (cumsum[:, -1, :][:, None, :] - cumsum[:, -n - 1:-1, :]) / np.arange(n, 0, -1)[None, :, None]

means = np.concatenate([means_lower, means_middle, means_upper], axis=1)

x = np.arange(3200)

plt.plot(x, means[0, :, 0])

---

谢谢你，丹尼尔。我应该提到阵列很大（20x3200x18），所以我不确定卷积操作是否是我的最佳解决方案。对于大型阵列，

scipy.signal.fftconvolve

更快。请注意，此函数执行循环卷积，这将为您提供与边缘处的

scipy.signal.convolve

不同的行为。