numpy stride_tricks.as_strided vs 滚动的列表理解 window

Question

在处理滚动的时候windows，我的函数是按照列表推导的方式写的

[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windows（例如，this post），尽管它是一个"hidden"函数。

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

Intentionally! It's dangerous! It was just low-level plumbing to help implement broadcast_arrays().

stride_tricks.as_strided 与列表理解或 for 循环相比有什么优势吗？我看了the source code of stride_tricks，但收获不大。

Answer 1

从开始，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，我们简单地沿第二个轴使用 np.std 作为最终输出，就像这样 -

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

样本运行验证-

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，这些跨步操作一定非常高效。让我们一探究竟！

运行时测试

循环方法 -

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 滚动的列表理解 window

numpy stride_tricks.as_strided vs list comprehension for rolling window

python

arrays

numpy

stride