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

Question

在处理滚动窗口时，我以列表理解的方式编写了我的函数

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

最近我发现了numpy.lib.stride_tricks.as_strided，发现它被广泛用于滚动窗口(例如，这个职位)，尽管它是一个“隐藏”函数。

在本期中，关于为什么stride_tricks.as_strided是无文档的，有人提到

故意的！太危险了！它只是帮助实现broadcast_arrays()的低级管道。

stride_tricks.as_strided比列表理解或for循环有什么优势吗？我看了一下stride_tricks，但收获甚微。

Answer 1

在this post中，我们可以使用strided_app将滑动视图基本输入到数组中，它还允许我们指定hopsize/逐步大小。然后，我们简单地沿着第二个轴使用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])

作为输入数组中的视图，这些跨越式操作必须是真正有效的。把它找出来！

运行时测试

胡说八道-

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，要用strides回答关于效率的问题，时间应该有助于证明一点！