Создайте массив, усреднив n последовательных чисел в массиве

Question

У меня есть массив различного размера, из которого я хотел бы усреднить каждый последовательный n чисел и построить в результате другой массив.

Я пришел с двумя разными способами, но у каждого есть свои проблемы, и я не уверен, что это лучший способ решить эту проблему:

1. Использование numpy.array_split функции():

   import numpy as np 
   no_splits = 3 #Or any number user defines 
   no_items = int(np.random.random(1)*100) # To get a variable number of items 
   pre_array = np.random.random(no_items) 
   mean_array = np.mean(np.array_split(pre_array,no_splits)) 
   #This is efficient but gives an error if len(pre_array)%no_splits != 0 
   

2. перечисление (pre_array) альтернатива:

   mean_array = [np.mean(pre_array[i-no_splits+1:i]) for i, x in enumerate(pre_array) if i%no_splits == 0 and i != 0] 
   

Это нормально, но зажимает последние значения, если i% no_splits! = 0. В идеале я бы создал последнее значение, которое является средним из оставшихся при сохранении кода.

Каждое из этих работ для моих целей, но я не уверен, являются ли они наиболее эффективными для больших массивов.

Спасибо заранее!

Answer 1

Использование uniform_filter:

>>> import scipy.ndimage.filters as filter 

>>> a=np.arange(5,dtype=np.double) 
>>> filter.uniform_filter(a,size=3) 
array([ 0.33333333, 1.  , 2.  , 3.  , 3.66666667]) 

#What this is actually doing 
>>> np.mean([0,0,1]) #ind0 
0.33333333333333331 
>>> np.mean([0,1,2]) #ind1 
1.0 
>>> np.mean([1,2,3]) #ind2 
2.0 

Может быть использован с любым размер окна.

>>> filter.uniform_filter(a,size=5) 
array([ 0.8,  1.2,  2. ,  2.8,  3.2]) 

Опасность здесь заключается в том, что аккумулятор будет любым типом массива.

---

Group тремя затем взять среднее:

def stride_mean(arr,stride): 
    extra = arr.shape[0]%stride 
    if extra==0: 
     return np.mean(arr.reshape(-1,stride),axis=1) 
    else: 
     toslice = arr.shape[0]-extra 
     first = np.mean(arr[:toslice].reshape(-1,stride),axis=1) 
     rest = np.mean(arr[toslice:]) 
     return np.hstack((first,rest)) 

print pre_array 
[ 0.50712539 0.75062019 0.78681352 0.35659332] 

print stride_mean(pre_array,3) 
[ 0.6815197 0.35659332] 

Answer 2

no_splits = 3 
no_items = 100 
a = np.random.rand(no_items) 

no_bins = no_splits + no_items % no_splits 
b = np.empty((no_bins,), dtype=a.dtype) 
endpoint = no_items//no_splits 

b[:no_splits] = np.mean(a[:endpoint*no_splits].reshape(-1, endpoint), 
         axis=-1) 
b[no_splits:] = np.mean(a[endpoint*no_splits:]) 
>>> b 
array([ 0.49898723, 0.49457975, 0.45601632, 0.5316093 ])