这是一个
np.lib.stride_tricks.as_strided让我们
2D了解输入的零填充
1D版本的视图，其内存效率很高，因此也很有效。这一招已经探索了无数次-
，。
1
2
因此，实施将是-
def sliding_windows(a, W): a = np.asarray(a) p = np.zeros(W-1,dtype=a.dtype) b = np.concatenate((p,a,p)) s = b.strides[0] strided = np.lib.stride_tricks.as_strided return strided(b[W-1:], shape=(W,len(a)+W-1), strides=(-s,s))
样品运行-
In [99]: a = [1,2,3]In [100]: sliding_windows(a, W=3)Out[100]: array([[1, 2, 3, 0, 0], [0, 1, 2, 3, 0], [0, 0, 1, 2, 3]])In [101]: a = [1,2,3,4,5]In [102]: sliding_windows(a, W=3)Out[102]: array([[1, 2, 3, 4, 5, 0, 0], [0, 1, 2, 3, 4, 5, 0], [0, 0, 1, 2, 3, 4, 5]])
使用相同的原理，但不那么混乱的版本，我们还可以利用
np.lib.stride_tricks.as_strided基于的方法
scikit-image's view_as_windows来获取滑动窗口。有关使用
as_stridedbased的更多信息
view_as_windows。
from skimage.util.shape import view_as_windowsdef sliding_windows_vw(a, W): a = np.asarray(a) p = np.zeros(W-1,dtype=a.dtype) b = np.concatenate((p,a,p)) return view_as_windows(b,len(a)+W-1)[::-1]
