numpy stride_tricks.as_strided vs列表理解滚动窗口

Question

在处理滚动窗口时，我以列表理解的方式编写了函数

[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，这篇文章），即使它是“隐藏”功能。

在有关为何未记录stride_tricks.as_strided的问题中，提到了

故意地！这很危险！帮助实现broadcast_arrays（）只是底层管道。

stride_tricks.as_strided列表理解或for循环有什么优势吗？我看了的源代码，stride_tricks但收获甚微。

Answer 1

从this post，我们 strided_app基本上可以使用将滑动视图放入数组中，它还允许我们指定跳跃大小/步长。然后，我们只需np.std沿第二个轴使用即可获得最终输出，如下所示 -

\n\n

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

\n\n

运行样品进行验证 -

\n\n

In [162]: x = np.random.randint(0,9,(11))\n\nIn [163]: framesize = 5\n\nIn [164]: hopsize = 3\n\nIn [165]: np.array([np.std(x[i:i+framesize]) \\\n            for i in range(0, len(x)-framesize+1, hopsize)])\nOut[165]: array([ 1.62480768,  2.05912603,  1.78885438])\n\nIn [166]: np.std(strided_app(x, framesize, hopsize), axis=1)\nOut[166]: array([ 1.62480768,  2.05912603,  1.78885438])\n

\n\n

作为输入数组的视图，这些跨步操作必须非常高效。让我们来找出答案吧！

\n\n

运行时测试

\n\n

循环的方法 -

\n\n

def loopy_app(x, framesize, hopsize):\n    return [np.std(x[i:i+framesize]) \\\n        for i in range(0, len(x)-framesize+1, hopsize)]\n

\n\n

时间安排 -

\n\n

In [185]: x = np.random.randint(0,9,(1001))\n\nIn [186]: framesize = 5\n\nIn [187]: hopsize = 3\n\nIn [188]: %timeit loopy_app(x, framesize, hopsize)\n10 loops, best of 3: 17.8 ms per loop\n\nIn [189]: %timeit np.std(strided_app(x, framesize, hopsize), axis=1)\n10000 loops, best of 3: 111 \xc2\xb5s per loop\n

\n\n

因此，要回答有关效率的问题strides，时间安排应该有助于证明这一点！

\n