本文介绍如何对形状为 (N, 3) 的二维数组沿行方向执行一维滚动均值（窗口大小为 3），输出长度为 N−2 的一维结果数组，全程避免显式循环，利用 NumPy 的 convolve 实现高性能向量化计算。
本文介绍如何对形状为 (n, 3) 的二维数组沿行方向执行一维滚动均值（窗口大小为 3），输出长度为 n−2 的一维结果数组，全程避免显式循环，利用 numpy 的 `convolve` 实现高性能向量化计算。
在处理时间序列、传感器数据或多通道信号时，常需对每行先聚合（如取均值），再在其上施加滑动窗口统计。例如，给定一个 shape 为 (6000, 3) 的数组 x，我们并不需要在二维平面上做 [3,3] 的二维卷积（那会输出 (5998, 1)），而是希望：
- 先按行求均值 → 得到长度为
6000的一维数组y = np.mean(x, axis=1)； - 再对
y执行长度为 3 的一维滑动窗口均值（即移动平均），使用'valid'模式，输出长度为6000 − 3 + 1 = 5998。
这正是 np.convolve 的典型应用场景：
import numpy as np # 示例数据：(6000, 3) x = np.random.randn(6000, 3) # 向量化滚动均值（窗口大小=3） y = np.mean(x, axis=1) # shape: (6000,) kernel = np.ones(3) / 3 # 均值核：[1/3, 1/3, 1/3] out = np.convolve(y, kernel, mode='valid') # shape: (5998,) print(out.shape) # (5998,)
✅ 优势说明：
- 完全向量化，无 Python 循环，性能远超
for或pandas.Series.rolling().mean()； -
np.convolve(..., mode='valid')自动处理边界，仅保留完全重叠的窗口，故输出长度为len(y) - len(kernel) + 1； - 若需其他窗口大小（如 5），只需修改
np.ones(5)/5即可。
⚠️ 注意事项：
- 此方法本质是先降维后滚动，适用于“每行独立聚合+跨行滑动”场景；若真需二维
[3,3]窗口均值（即每个输出点对应原数组中 3×3 子矩阵的均值），应改用scipy.ndimage.uniform_filter或skimage.filters.rank.mean； -
np.convolve默认对一维数组操作，不支持高维直接卷积；多维滚动需借助numpy.lib.stride_tricks.sliding_window_view（NumPy ≥ 1.20）或专用库（如xarray）； - 确保输入数组
x非空且x.shape[0] >= 3，否则'valid'模式将返回空数组。
总结：对于“按行压缩 + 行间滚动均值”这一常见模式，np.mean(..., axis=1) 结合 np.convolve(..., mode='valid') 是简洁、高效、可读性强的标准解法。
