以下是使用块的另一种（无循环）方法的示例：
import numpy as npfrom numpy.lib.stride_tricks import as_strided as astA= np.arange(36).reshape(6, 6)print A#[[ 0 1 2 3 4 5]# [ 6 7 8 9 10 11]# ...# [30 31 32 33 34 35]]# 2x2 block viewB= ast(A, shape= (3, 3, 2, 2), strides= (48, 8, 24, 4))print B[1, 1]#[[14 15]# [20 21]]# for preserving original shapeB[:, :]= np.dot(B[:, :], np.array([[0, 1], [1, 0]]))print A#[[ 1 0 3 2 5 4]# [ 7 6 9 8 11 10]# ...# [31 30 33 32 35 34]]print B[1, 1]#[[15 14]# [21 20]]# for reducing shape, processing in 3D is enoughC= B.reshape(3, 3, -1)print C.sum(-1)#[[ 14 22 30]# [ 62 70 78]# [110 118 126]]
因此，仅尝试简单地将
matlab功能复制到
numpy并不是所有最佳方式。有时需要“脱帽而出”的思维。
注意 ：
通常，基于跨步技巧的实现 可能会
（但不一定需要）遭受一些性能损失。因此，请做好准备以各种方式衡量您的表现。无论如何，明智的做法是先检查所需的功能（或足够相似，以便轻松适应）是否已在
numpy或中实现
scipy。
更新 ：
请注意，这里没有
magic涉及任何实际内容
strides，因此我将提供一个简单的函数来获取
block_view任何合适的2D
numpy数组。所以我们开始：
from numpy.lib.stride_tricks import as_strided as astdef block_view(A, block= (3, 3)): """Provide a 2D block view to 2D array. No error checking made. Therefore meaningful (as implemented) only for blocks strictly compatible with the shape of A.""" # simple shape and strides computations may seem at first strange # unless one is able to recognize the 'tuple additions' involved ;-) shape= (A.shape[0]/ block[0], A.shape[1]/ block[1])+ block strides= (block[0]* A.strides[0], block[1]* A.strides[1])+ A.strides return ast(A, shape= shape, strides= strides)if __name__ == '__main__': from numpy import arange A= arange(144).reshape(12, 12) print block_view(A)[0, 0] #[[ 0 1 2] # [12 13 14] # [24 25 26]] print block_view(A, (2, 6))[0, 0] #[[ 0 1 2 3 4 5] # [12 13 14 15 16 17]] print block_view(A, (3, 12))[0, 0] #[[ 0 1 2 3 4 5 6 7 8 9 10 11] # [12 13 14 15 16 17 18 19 20 21 22 23] # [24 25 26 27 28 29 30 31 32 33 34 35]]
