Python使用给定窗口运行累积和

时间:2012-10-03 13:45:13

标签: python list numpy list-comprehension

我想要做的是生成一个numpy数组,它是给定某个窗口的另一个numpy数组的累积和。

例如,给定一个数组[1,2,3,4,5,6,7,8,9,10,11,12],假设我想要一个具有3的窗口的累积和。我想要的输出是[1,3,6,9,12,15,18,21,24,27,30,33]。我有一个相对较大的numpy数组,并希望用400的窗口进行累积求和。

4 个答案:

答案 0 :(得分:22)

这可能是一个更简单的答案,基于减去移位的字母。

>>> a = np.array([1,2,3,4,5,6,7,8,9,10,11,12])
>>> b = a.cumsum()
>>> b[3:] = b[3:] - b[:-3]
>>> b
array([ 1,  3,  6,  9, 12, 15, 18, 21, 24, 27, 30, 33])

答案 1 :(得分:7)

你应该使用numpy,除非你真的不关心速度(尽管我会优先考虑它)。所以你可以使用基于卷积或基于stride_tricks的方法(这些方法并不明显,但很好地解决了这些问题)。

例如,给定这样的函数(你也可以找到更多更漂亮的版本):

def embed(array, dim, lag=1):
    """Create an embedding of array given a resulting dimension and lag.
    The array will be raveled before embedding.
    """
    array = np.asarray(array)
    array = array.ravel()
    new = np.lib.stride_tricks.as_strided(array,
                                     (len(array)-dim*lag+lag, dim),
                                     (array.strides[0], array.strides[0]*lag))
    return new

你可以这样做:

embedded = embed(array, 400)
result = embedded.sum(1)

哪种内存有效(嵌入或任何你称之为,只创建一个视图)和快速。另一种方法当然是使用convolve:

np.convolve(array, np.ones(400), mode='valid')

我不知道你是否也想要非完整的窗口,这与使用mode='full'(默认)进行卷积相同。对于另一种方法,必须以其他方式处理。

答案 2 :(得分:3)

In [42]: lis=[1,2,3,4,5,6,7,8,9,10,11,12]

In [43]: w=3       #window size

In [44]: [sum(lis[i-(w-1):i+1]) if i>(w-1) else sum(lis[:i+1])  for i in range(len(lis))]
Out[44]: [1, 3, 6, 9, 12, 15, 18, 21, 24, 27, 30, 33]

In [45]: w=4

In [46]: [sum(lis[i-(w-1):i+1]) if i>(w-1) else sum(lis[:i+1])  for i in range(len(lis))]
Out[46]: [1, 3, 6, 10, 14, 18, 22, 26, 30, 34, 38, 42]

对于python 2.4或更低版本,更改三元运算符:

(falseValue, trueValue)[condition]代替trueValue if condition else falseValue

[(sum(lis[:i+1]),sum(lis[i-(w-1):i+1]))[i>(w-1)]  for i in range(len(lis))]

答案 3 :(得分:1)

seberg's答案比我的更好,更通用,但请注意,您需要对样本进行零填充以获得所需的结果。

import numpy as np
from numpy.lib.stride_tricks import as_strided as ast
samples = 100
window = 3
padding = np.zeros(window - 1)
# zero-pad your samples
a = np.concatenate([padding,np.arange(1,samples + 1)])
newshape = (len(a) - window,window)
newstrides = a.strides * 2
# this gets you a sliding window of size 3, with a step of 1
strided = ast(a,shape = newshape,strides = newstrides)
# get your moving sum
strided.sum(1)