本文介绍如何高效地对形状为 (n, 3) 的二维数组沿行方向（即按每连续3行）计算滚动均值，输出一维结果数组，全程避免显式循环，利用 numpy 的卷积操作实现向量化加速。
本文介绍如何高效地对形状为 (n, 3) 的二维数组沿行方向（即按每连续3行）计算滚动均值，输出一维结果数组，全程避免显式循环，利用 numpy 的卷积操作实现向量化加速。
在科学计算和信号处理中，常需对数组沿某一维度进行滑动窗口统计（如滚动均值）。对于一个形状为 (6000, 3) 的二维数组 x，若希望对每连续3行（即窗口大小为 3，沿 axis=0 方向滑动）计算均值，并将每组 3 行 × 3 列的子数组压缩为一个标量（例如先按行求均值再对窗口求均值），最终得到长度为 6000 − 3 + 1 = 5998 的一维结果数组，推荐采用「降维 + 卷积」的两步向量化策略：
-
先行聚合：沿列方向（
axis=1）对每行求均值，将(6000, 3)压缩为(6000,)的一维数组row_means = np.mean(x, axis=1)； -
再滑动平均：对该一维数组应用长度为 3 的均匀卷积核
np.ones(3)/3，使用mode='valid'模式——这等价于对每个长度为 3 的连续子数组求均值，输出长度为len(row_means) − 3 + 1 = 5998。
完整代码如下：
import numpy as np # 示例数据：(6000, 3) 数组 x = np.random.rand(6000, 3) # 向量化滚动均值（窗口大小=3，沿行方向） row_means = np.mean(x, axis=1) # shape: (6000,) out = np.convolve(row_means, np.ones(3)/3, mode='valid') # shape: (5998,) print(out.shape) # → (5998,)
✅ 优势说明：
- 完全避免 Python 循环，底层调用高度优化的 C 实现；
- 时间复杂度 O(N)，远优于手动嵌套循环的 O(N×k)；
-
np.convolve在'valid'模式下自动处理边界，无需额外裁剪。
⚠️ 注意事项：
- 此方法隐含假设：你希望的是「先对每行取均值，再对行均值序列做 3 点滑动平均」。若实际需求是「对每个
(3, 3)子矩阵（即 3 行 × 3 列）直接计算标量均值」，结果等价（因均值具有线性可加性：mean(x[i:i+3]) == mean(mean(x[i:i+3], axis=1))）； - 若窗口大小
k变化，只需替换np.ones(k)/k和调整mode； - 对于更高维或跨多轴滚动操作，可考虑
scipy.ndimage.uniform_filter1d或numpy.lib.stride_tricks.sliding_window_view（NumPy ≥ 1.20），但本例中convolve最简洁高效。
综上，该方案以最少代码、最高性能达成目标，在处理大规模时间序列、传感器阵列或多通道数据时尤为实用。
