使用 numpy 进行高效迭代

我编写了计算数组 y 的周期 p 中每个元素的平均值的代码

import numpy as np
p=4

y =np.asarray([146, 96, 59, 133, 192, 127, 79, 186, 272, 155, 98, 219])

c=len(y)/p
print c

a=[]
for i in range(1,c+1):
    s=y[p*(i-1):p*i]/np.mean(y[p*(i-1):p*i])
    a = np.append(a, s)
print a

b=[]
for i in range(c+1):
    s = np.mean(a[i::p])
    b = np.append(b, s)

print b

有没有比使用追加和 for 循环更有效的方法来做到这一点？我不需要两个数组，只需 b

事实上，你做了一个2d操作。如果添加了第二个维度（例如使用 reshape），则可以计算第一个数组 a：

z = y.reshape(-1, p)
w = z/z.mean(axis=1).reshape(-1,1)
print w.flatten()
# [ 1.34562212  0.88479263  0.5437788   1.22580645  1.31506849  0.86986301
#   0.54109589  1.2739726   1.46236559  0.83333333  0.52688172  1.17741935]

你的第二个，b，是先前结果的平均值：

print w.mean(axis=0)
# [ 1.37435207,  0.86266299,  0.53725214,  1.2257328 ]

Update

当您在评论中提到指数平滑时，您可能会对pandas https://github.com/pydata/pandas/ or statsmodels https://github.com/statsmodels/statsmodels处理时间序列的包。例如，请参阅 pandas 文档，其中包含一些有用的内容计算工具 http://pandas.pydata.org/pandas-docs/dev/computation.html#exponentially-weighted-moment-functions and this ER https://github.com/pydata/pandas/issues/2143在问题跟踪器中获取有关指数平滑实现的一些有用链接。