dask.array.lib.stride_tricks.sliding_window_view

dask.array.lib.stride_tricks.sliding_window_view¶

dask.array.lib.stride_tricks.sliding_window_view(x, window_shape, axis=None)[源代码]¶

使用给定的窗口形状创建数组的滑动窗口视图。

此文档字符串是从 numpy.lib.stride_tricks.sliding_window_view 复制的。

Dask 版本可能存在一些不一致性。

也称为滚动或移动窗口，窗口滑过数组的所有维度，并在所有窗口位置提取数组的子集。

1.20.0 新版功能.

参数

xarray_like: 要创建滑动窗口视图的数组。
窗口形状int 或 int 的元组: 每个轴上参与滑动窗口的窗口大小。如果 axis 不存在，则必须与输入数组维度的数量相同。单个整数 i 被视为 (i,) 元组。
轴int 或 int 的元组，可选: 滑动窗口应用的轴或轴。默认情况下，滑动窗口应用于所有轴，并且 window_shape[i] 将引用 x 的轴 i。如果 axis 作为 int 的元组给出，window_shape[i] 将引用 x 的轴 axis[i]。单个整数 i 被视为它们是元组 (i,)。
subokbool, 可选 (Dask 不支持): 如果为 True，子类将被传递，否则返回的数组将被强制为基类数组（默认）。
可写bool, 可选 (Dask 不支持): 当为真时，允许写入返回的视图。默认值为假，因为应谨慎使用此功能：返回的视图包含相同的内存位置多次，因此写入一个位置将导致其他位置发生变化。

返回

视图ndarray: 数组的滑动窗口视图。滑动窗口的维度被插入到最后，并且原始维度根据滑动窗口的大小进行修剪。也就是说，view.shape = x_shape_trimmed + window_shape，其中 x_shape_trimmed 是 x.shape 的每个条目减少相应窗口大小减一后的结果。

参见

lib.stride_tricks.as_strided: 一个较低级别且不太安全的例程，用于从自定义形状和步幅创建任意视图。
broadcast_to: 将数组广播到给定的形状。

注释

对于许多应用程序来说，使用滑动窗口视图可能很方便，但可能会非常慢。通常存在专门的解决方案，例如：

scipy.signal.fftconvolve
scipy.ndimage 中的过滤函数
由 bottleneck 提供的移动窗口函数。

粗略估计，一个输入大小为 N 和窗口大小为 W 的滑动窗口方法的时间复杂度为 O(N*W)，而通常一个特殊的算法可以达到 O(N)。这意味着对于窗口大小为 100 的滑动窗口变体，其速度可能比更专门的版本慢 100 倍。

尽管如此，对于小窗口尺寸，当没有自定义算法存在时，或者作为原型设计和开发工具，这个功能可以是一个很好的解决方案。

示例

>>> import numpy as np  
>>> from numpy.lib.stride_tricks import sliding_window_view  
>>> x = np.arange(6)  
>>> x.shape  
(6,)
>>> v = sliding_window_view(x, 3)  
>>> v.shape  
(4, 3)
>>> v  
array([[0, 1, 2],
       [1, 2, 3],
       [2, 3, 4],
       [3, 4, 5]])

这在更多维度上也适用，例如。

>>> i, j = np.ogrid[:3, :4]  
>>> x = 10*i + j  
>>> x.shape  
(3, 4)
>>> x  
array([[ 0,  1,  2,  3],
       [10, 11, 12, 13],
       [20, 21, 22, 23]])
>>> shape = (2,2)  
>>> v = sliding_window_view(x, shape)  
>>> v.shape  
(2, 3, 2, 2)
>>> v  
array([[[[ 0,  1],
         [10, 11]],
        [[ 1,  2],
         [11, 12]],
        [[ 2,  3],
         [12, 13]]],
       [[[10, 11],
         [20, 21]],
        [[11, 12],
         [21, 22]],
        [[12, 13],
         [22, 23]]]])

可以显式指定轴：

>>> v = sliding_window_view(x, 3, 0)  
>>> v.shape  
(1, 4, 3)
>>> v  
array([[[ 0, 10, 20],
        [ 1, 11, 21],
        [ 2, 12, 22],
        [ 3, 13, 23]]])

同一个轴可以被多次使用。在这种情况下，每次使用都会减少相应的原始维度：

>>> v = sliding_window_view(x, (2, 3), (1, 1))  
>>> v.shape  
(3, 1, 2, 3)
>>> v  
array([[[[ 0,  1,  2],
         [ 1,  2,  3]]],
       [[[10, 11, 12],
         [11, 12, 13]]],
       [[[20, 21, 22],
         [21, 22, 23]]]])

结合步进切片 (::step)，这可以用于获取跳过元素的滑动视图：

>>> x = np.arange(7)  
>>> sliding_window_view(x, 5)[:, ::2]  
array([[0, 2, 4],
       [1, 3, 5],
       [2, 4, 6]])

或通过多个元素移动的视图

>>> x = np.arange(7)  
>>> sliding_window_view(x, 3)[::2, :]  
array([[0, 1, 2],
       [2, 3, 4],
       [4, 5, 6]])

sliding_window_view 的一个常见应用是计算运行统计数据。最简单的例子是移动平均：

>>> x = np.arange(6)  
>>> x.shape  
(6,)
>>> v = sliding_window_view(x, 3)  
>>> v.shape  
(4, 3)
>>> v  
array([[0, 1, 2],
       [1, 2, 3],
       [2, 3, 4],
       [3, 4, 5]])
>>> moving_average = v.mean(axis=-1)  
>>> moving_average  
array([1., 2., 3., 4.])

请注意，滑动窗口方法通常**不是**最优的（参见注释）。

dask.array.overlap.map_overlap

dask.array.overlap.trim_内部