在没有循环的数组矢量化 (1D) 期间索引 numpy 数组中的其他值

熊猫解决方案

s = pd.Series(l)

>>> s.rolling(3,center=TruE).sum().add(s).div(4).fillna(s).values
array([1.,1.75,3.,2.  ])

循序渐进：

>>> s.rolling(3,center=TruE).sum().values
array([nan,6.,8.,9.,nan])

>>> s.rolling(3,center=TruE).sum().add(s).values
array([nan,7.,12.,center=TruE).sum().add(s).div(4).values
array([ nan,2.  ])

Numpy 解决方案

a = np.array(l)

>>> np.concatenate([a[:1],np.convolve(a,[1,2,1],mode="valid") / 4,a[-1:]])

循序渐进：

>>> np.convolve(a,mode="valid")
array([ 7,12,12])

>>> np.convolve(a,mode="valid") / 4
array([1.75,3.  ])

>>> np.concatenate([a[:1],a[-1:]])
array([1.,2.  ])

性能

%timeit s.rolling(3,center=TruE).sum().add(s).div(4).fillna(s).values
706 µs ± 4.62 µs per loop (mean ± std. dev. of 7 runs,1000 loops each)

%timeit np.concatenate([a[:1],a[-1:]])
10.8 µs ± 22.2 ns per loop (mean ± std. dev. of 7 runs,100000 loops each)

你可以试试这样的：

import numpy as np
from scipy.linalg import circulant

x = np.array([1,1,4,3,2])

val = np.array([1,1])
offsets = np.array([0,2])
col0 = np.zeros(len(X))
col0[offsets] = val

C = circulant(col0).T[:-(len(val) - 1)]
print(C)

C 本质上是一个 circulant 矩阵，如下所示：

array([[1.,2.,1.,0.,0.],[0.,1.]])

现在您可以简单地计算过滤后的输出，如下所示：

y = (C @ X) / 4
print(y)
# array([1.75,3.  ])