如何沿矩陣軸執行滾動和？

鑑於矩陣X與T行和列k：如何沿矩陣軸執行滾動和？

T = 50 
H = 10 
k = 5 
X = np.arange(T).reshape(T,1)*np.ones((T,k))

沿着行與滯後H軸線如何執行的X滾動累積和？

Xcum = np.zeros((T-H,k)) 
for t in range(H,T): 
    Xcum[t-H,:] = np.sum(X[t-H:t,:], axis=0)

通知，優選避免步幅和卷積，下廣播/矢量的最佳做法。

來源

2014-08-27 pvstrln

你檢查過'np.cumsum（）'嗎？ – 2014-08-27 18:31:13

是，找不到'滾動'部分的答案。 – pvstrln 2014-08-27 18:57:12

爲什麼'braodcasting/vectorization'最佳實踐排除了罷工？ – hpaulj 2014-08-27 21:53:24

聽起來像是你想要的以下內容：

import scipy.signal 
scipy.signal.convolve2d(X, np.ones((H,1)), mode='valid')

這當然採用卷積，但問題，如上所述，是卷積運算。廣播會導致更慢/內存密集型算法。

來源

2014-08-27 18:38:24 Daniel

你實際上是缺少您的滾動和一個最後一排，這將是正確的輸出：

Xcum = np.zeros((T-H+1, k)) 
for t in range(H, T+1): 
    Xcum[t-H, :] = np.sum(X[t-H:t, :], axis=0)

如果你需要做的這種過度使用numpy的任意軸而已，最簡單的將是做沿該軸的np.cumsum，然後計算您的結果作爲兩個切片的差異。與樣品陣列和軸：

temp = np.cumsum(X, axis=0) 
Xcum = np.empty((T-H+1, k)) 
Xcum[0] = temp[H-1] 
Xcum[1:] = temp[H:] - temp[:-H]

另一種選擇是使用大熊貓及其rolling_sum功能，克服一切困難顯然適用於二維數組就像你需要它：

import pandas as pd 
Xcum = pd.rolling_sum(X, 10)[9:] # first 9 entries are NaN

來源

2014-08-27 21:54:37 Jaime

thx海梅，你懂了！ – pvstrln 2014-08-30 11:11:25

這裏有一個解決方案。我意識到這不是你想要的，但我想知道它是如何比較的。

def foo2(X): 
    temp = np.lib.stride_tricks.as_strided(X, shape=(H,T-H+1,k), 
     strides=(k*8,)+X.strides)) 
    # return temp.sum(0) 
    return np.einsum('ijk->jk', temp)

這個時間在35 us，相比之下Jaime的cumsum 22我們的解決方案。 einsum比sum(0)快一點。 temp使用X的數據，所以不會造成內存損失。但它很難理解。

來源

2014-08-28 04:32:01 hpaulj

對於大型窗戶，這將重做很多工作......當您將窗戶滑動一個位置時，最優算法從最後一個窗口總數中減去窗口左側的項目，並添加一個從右邊進來。如果你的解決方案需要較小的「H」值，你應該看到你的時間點會超過cumsum的時間。 – Jaime 2014-08-28 04:45:47

如何沿矩陣軸執行滾動和？

回答

相關問題