如何在python中有效地计算移动平均线答案

【问题标题】：How to efficiently compute moving average in python如何在python中有效地计算移动平均线
【发布时间】：2017-12-19 09:29:35
【问题描述】：

我正在寻找一种方法来计算 3d Numpy 数组中每个给定值的平均值，其中 20 个值在正上方的行中，20 个值在正下方的行中。这类似于我之前提出的问题 (Taking minimum value of each entry +- 10 rows either side in numpy array)，但计算的是 41 个值的平均值，而不是 21 个值的最小值。

我尝试过使用Scipy's uniform 1d filter，但这没有正确处理靠近数组边缘的值的模式。数组外部的窗口不应包含在平均值计算中（即在数组的底部/顶部位置，平均值应分别取自边缘值和上方/下方的 20 行）。

有没有使用统一过滤器的方法，或者有替代方法可以实现这一点？

谢谢。

编辑： Numpy 数组的尺寸为 20x3200x18，所以我一直在寻找一个相对有效的解决方案。

【问题讨论】：

标签： python arrays numpy scipy mean

【解决方案1】：

如果您真的在寻找性能，您可以利用cumsum 以便只需计算一次总和，这将使实现速度提高大约 40 倍。

请参阅下面的示例。如果没有您的确切数据和参考实现，我无法验证这是否完全符合您的要求，但它在精神上应该是正确的。

import numpy as np
import matplotlib.pyplot as plt

arr = np.random.rand(20, 3200, 18)
n = 20

cumsum = np.cumsum(arr, axis=1)

means_lower = cumsum[:, :n, :] / np.arange(1, n + 1)[None, :, None]
means_middle = (cumsum[:, 2 * n:, :] - cumsum[:, :-2 * n , :]) / (2 * n)
means_upper = (cumsum[:, -1, :][:, None, :] - cumsum[:, -n - 1:-1, :]) / np.arange(n, 0, -1)[None, :, None]

means = np.concatenate([means_lower, means_middle, means_upper], axis=1)

x = np.arange(3200)

plt.plot(x, means[0, :, 0])

【讨论】：

【解决方案2】：

您可以使用scipy.signal.convolve 来执行此操作。

import scipy.signal as sig

def windowed_mean(arr, n):
    dims = len(arr.shape)
    s = sig.convolve(arr, np.ones((2*n+1,)*dims), mode='same')
    d = sig.convolve(np.ones_like(arr), np.ones((2*n+1,)*dims), mode='same')
    return s/d

基本上，s 是加窗求和，d 是加窗计数器，因此可以避免边缘错误

【讨论】：

谢谢丹尼尔。我应该提到数组很大（20x3200x18），所以我不确定卷积操作是否是我的最佳解决方案。
对于大型数组，scipy.signal.fftconvolve 更快。请注意，此函数执行循环卷积，这将在边缘处为您提供与 scipy.signal.convolve 不同的行为。