我想创建一个数组，它保存一个窗口的所有max()es移动通过给定的numpy数组。如果这听起来令人困惑，我很抱歉。我举个例子。输入：
[ 6,4,8,7,1,4,3,5,7,2,4,6,2,1,3,5,6,3,4,7,1,9,4,3,2 ]
窗口宽度为5的输出应为：
[ 8,8,8,7,7,7,7,7,7,6,6,6,6,6,6,7,7,9,9,9,9 ]
每个数字应为输入数组宽度为5的子数组的最大值：
[ 6,4,8,7,1,4,3,5,7,2,4,6,2,1,3,5,6,3,4,7,1,9,4,3,2 ]
\ / \ /
\ / \ /
\ / \ /
\ / \ /
[ 8,8,8,7,7,7,7,7,7,6,6,6,6,6,6,7,7,9,9,9,9 ]
我没有在numpy中找到一个可以做到这一点的开箱即用的功能（但是如果有的话我不会感到惊讶;我并不总是在考虑numpy开发人员的想法）。我考虑创建一个移位的2D版本的输入：
[ [ 6,4,8,7,1,4,3,5,7,8,4,6,2,1,3,5,6,3,4,7,1 ]
[ 4,8,7,1,4,3,5,7,8,4,6,2,1,3,5,6,3,4,7,1,9 ]
[ 8,7,1,4,3,5,7,8,4,6,2,1,3,5,6,3,4,7,1,9,4 ]
[ 7,1,4,3,5,7,8,4,6,2,1,3,5,6,3,4,7,1,9,4,3 ]
[ 1,4,3,5,7,8,4,6,2,1,3,5,6,3,4,7,1,9,4,3,2 ] ]
然后我可以在这上面应用np.max(input, 0)并得到我的结果。但这在我的情况下似乎并不高效，因为我的数组和窗口宽度都可以很大（> 1000000条目和> 100000窗口宽度）。数据会被窗口宽度的因素或多或少地炸毁。
我也考虑过以某种方式使用np.convolve()，但无法找到一种方法来实现我的目标。
任何想法如何有效地做到这一点？
Pandas为Series和DataFrames提供了一种滚动方法，可以在这里使用：
import pandas as pd
lst = [6,4,8,7,1,4,3,5,7,8,4,6,2,1,3,5,6,3,4,7,1,9,4,3,2]
lst1 = pd.Series(lst).rolling(5).max().dropna().tolist()
# [8.0, 8.0, 8.0, 7.0, 7.0, 8.0, 8.0, 8.0, 8.0, 8.0, 6.0, 6.0, 6.0, 6.0, 6.0, 7.0, 7.0, 9.0, 9.0, 9.0, 9.0]
为了保持一致性，您可以将lst1的每个元素强制为int：
[int(x) for x in lst1]
# [8, 8, 8, 7, 7, 8, 8, 8, 8, 8, 6, 6, 6, 6, 6, 7, 7, 9, 9, 9, 9]
方法＃1：你可以使用1D max filter from Scipy -
from scipy.ndimage.filters import maximum_filter1d
def max_filter1d_valid(a, W):
hW = (W-1)//2 # Half window size
return maximum_filter1d(a,size=W)[hW:-hW]
方法＃2：这是使用strides的另一种方法：strided_app创建一个2D移位版本作为视图非常有效地查看，并且应该让我们使用沿着第二轴的任何自定义缩减操作 -
def max_filter1d_valid_strided(a, W):
return strided_app(a, W, S=1).max(axis=1)
运行时测试 -
In [55]: a = np.random.randint(0,10,(10000))
# @Abdou's solution using pandas rolling
In [56]: %timeit pd.Series(a).rolling(5).max().dropna().tolist()
1000 loops, best of 3: 999 µs per loop
In [57]: %timeit max_filter1d_valid(a, W=5)
...: %timeit max_filter1d_valid_strided(a, W=5)
...:
10000 loops, best of 3: 90.5 µs per loop
10000 loops, best of 3: 87.9 µs per loop
首先，我认为你的解释有一个错误，因为在解释开始时你的初始输入数组的第10个元素等于8，而在你应用窗口的地方，它是2。
在纠正之后，我认为执行您想要的代码如下：
import numpy as np
a=np.array([ 6,4,8,7,1,4,3,5,7,8,4,6,2,1,3,5,6,3,4,7,1,9,4,3,2 ])
window=5
for i in range(0,len(a)-window,1):
b[i] = np.amax(a[i:i+window])
我认为，这种方式比创建移植的2D版本更好，因为当您创建这样的版本时，您需要使用比使用原始输入数组更多的内存，因此如果输入很大，您可能会耗尽内存。
我现在尝试了几种变体，并宣称Pandas版本是此次性能竞赛的赢家。我尝试了几种变体，甚至使用二叉树（用纯Python实现）来快速计算任意子范围的最大值。 （可根据需要提供来源）。我自己提出的最好的算法是使用环形缓冲区的普通滚动窗口;如果在此迭代中从当中删除当前最大值，则只需要完全重新计算的最大值;否则它将保持或增加到下一个新值。与旧库相比，这种纯Python实现比其他库更快。
最后，我发现有问题的库版本具有高度相关性。我主要使用的相当旧的版本比现代版本慢。以下是1M数字的数字，rollingMax用一个大小为100k的窗口：
old (slow HW) new (better HW)
scipy: 0.9.0: 21.2987391949 0.13.3: 11.5804400444
pandas: 0.7.0: 13.5896410942 0.18.1: 0.0551438331604
numpy: 1.6.1: 1.17417216301 1.8.2: 0.537392139435
这是使用ringbuffer的纯numpy版本的实现：
def rollingMax(a, window):
def eachValue():
w = a[:window].copy()
m = w.max()
yield m
i = 0
j = window
while j < len(a):
oldValue = w[i]
newValue = w[i] = a[j]
if newValue > m:
m = newValue
elif oldValue == m:
m = w.max()
yield m
i = (i + 1) % window
j += 1
return np.array(list(eachValue()))
对于我的输入，这很有效，因为我正在处理所有方向都有很多峰值的音频数据。如果你把一个不断减少的信号放入其中（例如-np.arange(10000000)），那么你将遇到最坏的情况（也许你应该在这种情况下反转输入和输出）。
我只是包含这个，以防有人想在具有旧库的机器上执行此任务。
如果你有两个维度数据，例如股票价格，并希望得到滚动最大值或其他什么，这将有效。不使用迭代计算。
n = 5 # size of rolling window
data_expanded = np.expand_dims(data, 1)
data_shift = [np.roll(data_expanded, shift=-i, axis=2) for i in range(n)]
data_shift = np.concatenate(data_shift, axis=1)
data_max = np.max(data_shift, axis=1) # max, mean, std...