这会在长度为 K 的滑动窗口上计算 A 的“滚动最大值”（类似于滚动平均值）：
import numpy as np
A = np.random.rand(100000)
K = 10
rollingmax = np.array([max(A[j:j+K]) for j in range(len(A)-K)])
但我认为它在性能方面远非最佳。
我知道pandas 库有rolling_max，但是在我的项目中，我不想使用这个新的依赖。
问题：有没有一种简单的方法可以仅使用 numpy 计算滚动最大值？
【问题讨论】：
我猜这个使用strides 和as_strided 的小技巧可以完成这项工作：
def max_rolling1(a, window,axis =1):
shape = a.shape[:-1] + (a.shape[-1] - window + 1, window)
strides = a.strides + (a.strides[-1],)
rolling = np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)
return np.max(rolling,axis=axis)
出于比较目的，我根据您的算法定义了另一个函数：
def max_rolling2(A,K):
rollingmax = np.array([max(A[j:j+K]) for j in range(len(A)-K)])
return rollingmax
timeit 在我的笔记本电脑上的比较是：
与：
A = np.random.rand(100000)
K = 10
%timeit X = max_rolling2(A,K)
170 ms ± 19.8 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)
%timeit X = max_rolling1(A,K)
> 3.75 ms ± 479 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)
【讨论】：
解决方案与此处的Divakar's answer 完全相似（完全归功于他），但在此上下文中，数组的最终裁剪具有不同的索引：
maximum_filter1d(A, size=K)[K//2:-((K+1)//2)]
例子：
import numpy as np
from scipy.ndimage.filters import maximum_filter1d
A = np.random.randint(0, 10, (50))
K = 5
rollingmax = np.array([max(A[j-K:j]) for j in range(K,len(A))])
rollingmax2 = np.array([max(A[j:j+K]) for j in range(len(A)-K)])
rollingmax3 = maximum_filter1d(A,size=K)[K//2:-((K+1)//2)]
print A, rollingmax, rollingmax2, rollingmax3
[6 7 7 9 4 5 4 7 2 0 3 3 5 9 4 6 6 1 5 2 7 5 7 7 5 6 0 9 0 5 9 3 7 1 9 5 3 7 5 1 6 9 6 0 5 1 5 5 4 9]
[9 9 9 9 7 7 7 7 5 9 9 9 9 9 6 6 7 7 7 7 7 7 7 9 9 9 9 9 9 9 9 9 9 9 9 7 7 9 9 9 9 9 6 5 5]
[9 9 9 9 7 7 7 7 5 9 9 9 9 9 6 6 7 7 7 7 7 7 7 9 9 9 9 9 9 9 9 9 9 9 9 7 7 9 9 9 9 9 6 5 5]
[9 9 9 9 7 7 7 7 5 9 9 9 9 9 6 6 7 7 7 7 7 7 7 9 9 9 9 9 9 9 9 9 9 9 9 7 7 9 9 9 9 9 6 5 5]
【讨论】：
很高兴找到这些解决方案 - 直到我尝试使用较大的 K 值。 有一个 ~6M 浮点数的数组，K = 25000....需要很长时间
【讨论】：