实际上，有一种更有效的方法来执行此操作…使用
vstacketc的缺点是，您正在复制数组。
顺便说一句，这实际上与@Paul的答案相同，但我将其发布只是为了更详细地说明事情…
有一种方法可以只使用视图来执行此操作，这样就 不会 复制 任何 内存。
我直接从Erik Rigtorp的帖子中借给numpy-discussion，后者又从Keith
Goodman的Bottleneck（这很有用！）中借用了它。
基本技巧是直接操纵数组的步幅（对于一维数组）：
import numpy as npdef rolling(a, window): shape = (a.size - window + 1, window) strides = (a.itemsize, a.itemsize) return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)a = np.arange(10)print rolling(a, 3)
a输入数组在哪里，是您
window想要的窗口的长度（在您的情况下为3）。
这样产生：
[[0 1 2] [1 2 3] [2 3 4] [3 4 5] [4 5 6] [5 6 7] [6 7 8] [7 8 9]]
但是，原始
a数组和返回的数组之间绝对没有重复的内存。这意味着，它的快速和规模 远 高于其他选项更好。
例如（使用
a = np.arange(100000)和
window=3）：
%timeit np.vstack([a[i:i-window] for i in xrange(window)]).T1000 loops, best of 3: 256 us per loop%timeit rolling(a, window)100000 loops, best of 3: 12 us per loop
如果我们将其沿N维数组的最后一个轴归纳为“滚动窗口”，则会得到Erik Rigtorp的“滚动窗口”功能：
import numpy as npdef rolling_window(a, window): """ Make an ndarray with a rolling window of the last dimension Parameters ---------- a : array_like Array to add rolling window to window : int Size of rolling window Returns ------- Array that is a view of the original array with a added dimension of size w. Examples -------- >>> x=np.arange(10).reshape((2,5)) >>> rolling_window(x, 3) array([[[0, 1, 2], [1, 2, 3], [2, 3, 4]], [[5, 6, 7], [6, 7, 8], [7, 8, 9]]]) Calculate rolling mean of last dimension: >>> np.mean(rolling_window(x, 3), -1) array([[ 1., 2., 3.], [ 6., 7., 8.]]) """ if window < 1: raise ValueError, "`window` must be at least 1." if window > a.shape[-1]: raise ValueError, "`window` is too long." shape = a.shape[:-1] + (a.shape[-1] - window + 1, window) strides = a.strides + (a.strides[-1],) return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)
因此，让我们看一下这里发生的事情…操纵数组
strides似乎有些神奇，但是一旦您了解了正在发生的事情，那根本就没有。numpy数组的步幅描述了沿给定轴递增一个值所必须执行的步长（以字节为单位）。因此，在64位浮点数的一维数组的情况下，每一项的长度为8个字节，
x.strides为
(8,)。
x = np.arange(9)print x.strides
现在，如果将其重塑为2D，3x3数组，则步幅将为
(3 * 8,8)，因为我们必须跳24个字节才能沿第一个轴增加一个步长，而要跳8个字节来沿第二个轴增加一个步长。
y = x.reshape(3,3)print y.strides
类似地，转置与反转数组的步幅相同：
print yy.strides = y.strides[::-1]print y
显然，阵列的步幅和阵列的形状紧密相连。如果更改一个，则必须相应地更改另一个，否则，我们将无法获得对实际上保存数组值的内存缓冲区的有效描述。
因此，如果你想改变 两者 同时数组的形状和大小，你不能仅仅通过设置这样做
x.strides和
x.shape，即使新的进展和形状是兼容的。
那就是问题所在
numpy.lib.as_strided。它实际上是一个非常简单的函数，它可以同时设置数组的步幅和形状。
它会检查这两者是否兼容，但不会检查旧的步幅和新形状是否兼容，如果您分别设置这两者会发生这种情况。（它实际上是通过numpy
__array_interface__做到的，它允许任意类将内存缓冲区描述为numpy数组。）
因此，我们所做的全部工作都是使它沿着一个轴向前移动一个项目（在64位数组的情况下为8个字节），而沿着另一个轴 仅向前移动8个字节 。
换句话说，在“窗口”大小为3的情况下，数组的形状为
(whatever, 3)，但不是
3 * x.itemsize将第二维的整数步进，而是
仅向前推动一项 ，有效地使新数组的行成为“移动”窗口”视图进入原始数组。
（这也意味着
x.shape[0] * x.shape[1]它将与
x.size您的新阵列不同。）
无论如何，希望这会使事情变得更加清晰。
