python - numpy stride_tricks.as_strided 与滚动窗口的列表理解

Question

在处理滚动窗口时，我用列表推导式的方式编写函数

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

最近我发现numpy.lib.stride_tricks.as_strided并发现它被广泛用于滚动窗口(例如 this post )，即使它是一个“隐藏”功能。

在this issue关于为什么 stride_tricks.as_strided 没有记录，有人提到

Intentionally! It's dangerous! It was just low-level plumbing to help implement broadcast_arrays().

stride_tricks.as_strided有什么优势吗？在列表理解或 for 循环上？我看了看 the source code of stride_tricks 但收获甚微。

Answer 1

来自 this post ，我们可以使用 strided_app 基本上将滑动 View 获取到数组中，它还允许我们指定 hopsize/stepsize。然后，我们简单地在第二个轴上使用 np.std 作为最终输出，就像这样 -

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

用于验证的 sample 运行 -

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 View ，这些跨步操作必须非常高效。让我们找出答案!

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 -

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，要回答关于步幅效率的问题，时间应该有助于证明这一点!