本文介绍如何高效地对形状为 (n, 3) 的二维数组沿行方向（即按每行聚合为标量后）应用长度为 3 的滑动窗口均值，输出长度为 n−2 的一维结果数组，全程避免显式 python 循环。
本文介绍如何高效地对形状为 (n, 3) 的二维数组沿行方向（即按每行聚合为标量后）应用长度为 3 的滑动窗口均值，输出长度为 n−2 的一维结果数组，全程避免显式 python 循环。
在处理时间序列、传感器数据或多通道信号时，常需对二维数组（如 shape=(6000, 3)）先按行压缩（例如取每行均值），再在其一维结果上执行滑动窗口统计（如滚动均值）。关键在于：不使用 for 循环，而是借助 NumPy 的向量化卷积操作实现高性能计算。
核心思路
-
行压缩：对原始二维数组
x沿 axis=1（列方向）求均值，得到一维数组row_means = np.mean(x, axis=1)，形状为(6000,)； -
滑动均值：将长度为 3 的均匀权重窗口
[1/3, 1/3, 1/3]与row_means做一维卷积，指定mode='valid'—— 该模式仅返回完全重叠的卷积结果，输出长度为len(row_means) - 3 + 1 = 5998，恰好符合预期。
完整示例代码
import numpy as np
# 示例数据：6000 行 × 3 列
x = np.random.randn(6000, 3)
# 执行滚动均值（窗口大小=3）
row_means = np.mean(x, axis=1) # shape: (6000,)
kernel = np.ones(3) / 3 # 归一化均值核
out = np.convolve(row_means, kernel, mode='valid') # shape: (5998,)
print(f"输入形状: {x.shape}")
print(f"输出形状: {out.shape}") # → (5998,)
注意事项
- ✅ 此方法完全向量化，性能远超 Python 循环，尤其适用于大数据规模；
- ⚠️
mode='valid'确保无边界填充，结果长度严格为N − window_size + 1（此处 6000 − 3 + 1 = 5998）； - ⚠️ 若需其他窗口大小（如 5），只需将
np.ones(3)替换为np.ones(5)并相应调整除数； - ❌ 不适用于跨列方向的二维滑动（如对每个 3×3 子矩阵求均值），该场景需
skimage.util.view_as_windows或scipy.ndimage.uniform_filter。
综上，通过“降维 + 卷积”两步组合，即可简洁、高效、可扩展地完成此类滚动统计任务。
