numpy stride_tricks.as_strided 与滚动窗口的列表理解

在处理滚动窗口时，我以列表理解的方式编写函数

[np.std(x[i:i+framesize]) for i in range(0, len(x)-framesize, hopsize)])]

最近我发现numpy.lib.stride_tricks.as_strided并发现它广泛用于滚动窗口（例如，这个帖子 http://www.rigtorp.se/2011/01/01/rolling-statistics-numpy.html），尽管它是一个“隐藏”函数。

In 这个问题 https://github.com/numpy/numpy/issues/6565关于为什么 stride_tricks.as_strided 没有记录，有人提到

故意地！这很危险！这只是帮助实现broadcast_arrays() 的低级管道。

有什么好处吗stride_tricks.as_strided是通过列表理解还是 for 循环？我看了一下的源代码stride_tricks https://github.com/numpy/numpy/blob/master/numpy/lib/stride_tricks.py但收获甚微。

From this post https://stackoverflow.com/a/40085052/3293881， 我们可以用strided_app基本上将滑动视图放入数组中，它还允许我们指定跳跃大小/步长。然后，我们只需使用np.std沿着第二个轴的最终输出，就像这样 -

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

运行样品进行验证 -

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，这些跨步操作必须非常高效。让我们来看看吧！

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)]

时间安排 -

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

因此，要回答效率问题strides，时间安排应该有助于证明这一点！