提高加权移动平均滤波函数的运行时间？答案

【问题标题】：Improving runtime of weighted moving average filter function?提高加权移动平均滤波函数的运行时间？
【发布时间】：2016-07-20 21:59:56
【问题描述】：

我有一个加权移动平均函数，它通过使用高斯加权机制在每个点的左侧和右侧平均 3*width 值来平滑曲线。我只担心平滑以 [start, end] 为界的区域。以下代码有效，但问题在于大型数组的运行时。

import numpy as np
def weighted_moving_average(x, y, start, end, width = 3):
    def gaussian(x, a, m, s):
        return a*exp(-(x-m)**2/(2*s**2))
    cut = (x>=start-3*width)*(x<=end+3*width)
    x, y = x[cut], y[cut]
    x_avg = x[(x>=start)*(x<=end)]
    y_avg = np.zeros(len(x_avg))
    bin_vals = np.arange(-3*width,3*width+1)
    weights = gaussian(bin_vals, 1, 0, width)
    for i in range(len(x_avg)):
        y_vals = y[i:i+6*width+1]
        y_avg[i] = np.average(y_vals, weights = weights)
    return x_avg, y_avg

据我了解，循环遍历 NumPy 数组通常效率低下。我想知道是否有人有想法用更高效的运行时替换 for 循环。

谢谢

【问题讨论】：

标签： python numpy runtime ipython vectorization

【解决方案1】：

加权窗口上的切片和求和/平均基本上对应于翻转内核的一维卷积。现在，对于1D convolution，NumPy 在np.convolve 中有一个非常有效的实现，可以用来摆脱循环并给我们y_avg。因此，我们将有一个像这样的矢量化实现 -

y_sums = np.convolve(y,weights[::-1],'valid')
y_avg = np.true_divide(y_sums,weights.sum())

【讨论】：

【解决方案2】：

在大数组上循环的主要问题是大数组的内存分配可能很昂贵，并且必须在循环开始之前初始化整个事情。

在这种特殊情况下，我会同意 Divakar 所说的话。

一般来说，如果您发现自己处于确实需要 迭代大型集合的情况，请使用迭代器 而不是数组。对于这种相对简单的情况，只需将range 替换为xrange（参见https://docs.python.org/2/library/functions.html#xrange）。

【讨论】：