我有一些我已经知道的数组,比如说:
a = np.array([1,2,3])
我也知道我想要一个总长度为 length a + some amount n 的矩阵和宽度 n+1 ,像这样:
n = 4
length = len(a) + n
width = n + 1
我想创建一个如下所示的数组:
array([[1,2,3,0,0,0,0],
[0,1,2,3,0,0,0],
[0,0,1,2,3,0,0],
[0,0,0,1,2,3,0],
[0,0,0,0,1,2,3]])
不幸的是numpy.kron通常 block 对角线不是我要找的,因为这会导致下一行增加 3 而不是 1。
我有一种方法可以创建矩阵的每一行,方法是使用 for 循环并将结果数组堆叠在一起,还有一种方法是使用 scipy.sparse.diag再次使用 for 循环创建数组,但我想知道是否有更有效的方法。
请您参考如下方法:
这是一个 np.lib.stride_tricks.as_strided这为我们提供了一个以零填充的数组的 View ,因此在内存方面和性能方面都非常高效 -
def sliding_windows(a, n=4):
length = len(a) + n
width = n + 1
z_pad = np.zeros(n,dtype=a.dtype)
ac = np.r_[z_pad, a, z_pad]
s = ac.strides[0]
strided = np.lib.stride_tricks.as_strided
return strided(ac[n:], shape=(width, length), strides=(-s,s),writeable=False)
如果您需要可写版本,只需使用 sliding_windows(a, n=4).copy() 制作一个副本即可。
样本运行-
In [42]: a
Out[42]: array([1, 2, 3])
In [43]: sliding_windows(a, n=4)
Out[43]:
array([[1, 2, 3, 0, 0, 0, 0],
[0, 1, 2, 3, 0, 0, 0],
[0, 0, 1, 2, 3, 0, 0],
[0, 0, 0, 1, 2, 3, 0],
[0, 0, 0, 0, 1, 2, 3]])
In [44]: sliding_windows(a, n=5)
Out[44]:
array([[1, 2, 3, 0, 0, 0, 0, 0],
[0, 1, 2, 3, 0, 0, 0, 0],
[0, 0, 1, 2, 3, 0, 0, 0],
[0, 0, 0, 1, 2, 3, 0, 0],
[0, 0, 0, 0, 1, 2, 3, 0],
[0, 0, 0, 0, 0, 1, 2, 3]])
还有一个array-assignment,如果你需要一个可写的版本,这应该不错 -
def sliding_windows_arrassign(a, n=4):
pad_length = len(a) + n + 1
width = n + 1
p = np.zeros((width,pad_length),dtype=a.dtype)
p[:,:len(a)] = a
return p.ravel()[:-n-1].reshape(width,-1)
在更大的阵列上进行基准测试
1) 100 元素和类似的 n :
In [101]: a = np.arange(1,101)
In [102]: %timeit sliding_windows(a, n=len(a)+1)
100000 loops, best of 3: 17.6 µs per loop
In [103]: %timeit sliding_windows_arrassign(a, n=len(a)+1)
100000 loops, best of 3: 8.63 µs per loop
# @Julien's soln
In [104]: %%timeit
...: n = len(a)+1
...: m = np.tile(np.hstack((a,np.zeros(n+1))),n+1)[:(n+len(a))*(n+1)]
...: m.shape = (n+1, n+len(a))
100000 loops, best of 3: 15 µs per loop
2) ~5000 元素和类似的 n :
In [82]: a = np.arange(1,5000)
In [83]: %timeit sliding_windows(a, n=len(a)+1)
10000 loops, best of 3: 23.2 µs per loop
In [84]: %timeit sliding_windows_arrassign(a, n=len(a)+1)
10 loops, best of 3: 28.9 ms per loop
# @Julien's soln
In [91]: %%timeit
...: n = len(a)+1
...: m = np.tile(np.hstack((a,np.zeros(n+1))),n+1)[:(n+len(a))*(n+1)]
...: m.shape = (n+1, n+len(a))
10 loops, best of 3: 34.3 ms per loop
np.lib.stride_tricks.as_strided 由于前面讨论的内存效率,无论数组长度如何,都会有一个恒定的运行时间。
