关于列表:Python使用给定窗口运行累积和

Python Running cumulative sum with a given window

我要做的是生成一个numpy数组,它是给定一个窗口的另一个numpy数组的累积和。

例如,给定一个数组[1,2,3,4,5,6,7,8,9,10,11,12],假设我想要一个窗口为3的累积和。我想要的输出是[1,3,6,9,12,15,18,21,24,27,30,33]。我有一个相对较大的numpy数组,希望用400个窗口进行累积和。


下面是一个简单的答案,基于减去移位的累积和。

1
2
3
4
5
>>> a = np.array([1,2,3,4,5,6,7,8,9,10,11,12])
>>> b = a.cumsum()
>>> b[3:] = b[3:] - b[:-3]
>>> b
array([ 1,  3,  6,  9, 12, 15, 18, 21, 24, 27, 30, 33])


你应该使用numpy,除非你真的不在乎速度(尽管我还是更喜欢速度)。因此,您可以使用卷积或基于stride_tricks的方法(这些方法并不明显,但可以很好地解决这些问题)。

例如,给定这样的函数(您也可以找到更多更高级的版本):

1
2
3
4
5
6
7
8
9
10
def embed(array, dim, lag=1):
   """Create an embedding of array given a resulting dimension and lag.
    The array will be raveled before embedding.
   """

    array = np.asarray(array)
    array = array.ravel()
    new = np.lib.stride_tricks.as_strided(array,
                                     (len(array)-dim*lag+lag, dim),
                                     (array.strides[0], array.strides[0]*lag))
    return new

你可以做到:

1
2
embedded = embed(array, 400)
result = embedded.sum(1)

内存效率高(嵌入或者你称之为嵌入,只创建一个视图)而且很快。当然,另一种方法是使用卷积:

1
np.convolve(array, np.ones(400), mode='valid')

我不知道您是否也想要非完整的窗口,这将与使用EDOCX1(默认值)进行卷积相同。对于另一种方法,必须用其他方法来处理。


1
2
3
4
5
6
7
8
9
10
11
In [42]: lis=[1,2,3,4,5,6,7,8,9,10,11,12]

In [43]: w=3       #window size

In [44]: [sum(lis[i-(w-1):i+1]) if i>(w-1) else sum(lis[:i+1])  for i in range(len(lis))]
Out[44]: [1, 3, 6, 9, 12, 15, 18, 21, 24, 27, 30, 33]

In [45]: w=4

In [46]: [sum(lis[i-(w-1):i+1]) if i>(w-1) else sum(lis[:i+1])  for i in range(len(lis))]
Out[46]: [1, 3, 6, 10, 14, 18, 22, 26, 30, 34, 38, 42]

对于python 2.4或更低版本,请更改三元运算符:

(falseValue, trueValue)[condition]代替trueValue if condition else falseValue

1
[(sum(lis[:i+1]),sum(lis[i-(w-1):i+1]))[i>(w-1)]  for i in range(len(lis))]


塞伯格的回答比我的答案更好,也更一般,但请注意,你需要零垫你的样品,以获得你想要的结果。

1
2
3
4
5
6
7
8
9
10
11
12
13
import numpy as np
from numpy.lib.stride_tricks import as_strided as ast
samples = 100
window = 3
padding = np.zeros(window - 1)
# zero-pad your samples
a = np.concatenate([padding,np.arange(1,samples + 1)])
newshape = (len(a) - window,window)
newstrides = a.strides * 2
# this gets you a sliding window of size 3, with a step of 1
strided = ast(a,shape = newshape,strides = newstrides)
# get your moving sum
strided.sum(1)