Question

在处理滚动窗口时，我以list comprehension

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numpy.lib.stride_tricks.as_strided并发现它广泛用于滚动窗口（例如，this post），即使它是一个隐藏的＆＃34;功能

在this issue中关于为什么stride_tricks.as_strided没有记录，它提到

有意！这很危险！这只是帮助实现broadcast_arrays（）的低级管道。

stride_tricks.as_strided对列表理解或for循环有什么好处吗？我看了the source code of stride_tricks，但收获甚少。

Answer 1

从this post开始，我们可以使用strided_app基本上将滑动视图放入数组中，它还允许我们指定hopsize / stepsize。然后，我们只需沿第二轴使用np.std作为最终输出，就像这样 -

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

运行样本以进行验证 -

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])

作为输入数组的视图，这些跨步操作必须非常高效。让我们找到它！

运行时测试

Loopy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)]

计时 -

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

所以，要用strides回答关于效率的问题，时间应该有助于证明这一点！

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

1 个答案: