Python as_strided方法原理及无重叠滑动窗口实现方案咨询

一、可行实现方案 #

1. 用numpy.sliding_window_view实现无重叠窗口 #

其实sliding_window_view完全可以实现无重叠窗口，只需将step参数设为窗口大小，或者对结果按窗口大小步长截取。以你的示例为例：

import numpy as np

array = np.array([1, 2, 3, 4, 5, 6])
window_size = 3
# 方式1：设置step参数
result = np.sliding_window_view(array, window_size, step=window_size)
# 方式2：对默认结果按窗口大小步长截取
# result = np.sliding_window_view(array, window_size)[::window_size]
print(result)
# 输出：[[1 2 3]
#        [4 5 6]]

2. 用numpy.as_strided实现无重叠窗口 #

as_strided可以直接通过内存视图构造无重叠窗口，代码示例如下：

import numpy as np

array = np.array([1, 2, 3, 4, 5, 6])
window_size = 3
n_windows = len(array) // window_size

# 定义新数组的形状和步长
new_shape = (n_windows, window_size)
# 原数组每个元素的字节步长，int类型通常为4字节
elem_stride = array.strides[0]
# 窗口维度步长=窗口大小×单元素步长，实现无重叠跳转
strides = (elem_stride * window_size, elem_stride)

result = np.lib.stride_tricks.as_strided(array, shape=new_shape, strides=strides)
print(result)
# 输出：[[1 2 3]
#        [4 5 6]]

注意：使用as_strided时必须保证原数组长度能被窗口大小整除，否则会越界访问内存，导致错误结果。

二、numpy.as_strided工作原理 #

numpy数组的底层是一块连续的内存区域，每个数组都依赖三个核心属性定义其结构：

• shape：数组的维度信息，比如一维数组[1,2,3,4,5,6]的shape是(6,)
• strides：每个维度上移动一个元素需要跳过的字节数，比如int类型数组的strides是(4,)（每个int占4字节）
• dtype：元素的数据类型，决定单个元素占用的字节数

as_strided的核心逻辑是不复制原数组内存，仅通过修改shape和strides属性，重新“解释”内存区域的组织结构。

以示例中的无重叠窗口为例：

• 原数组的shape是(6,)，strides是(4,)
• 我们需要构造的新数组shape为(2,3)，即2个窗口，每个窗口含3个元素
• 新的strides设置为(12,4)：
  • 第一个维度（窗口维度）步长12字节：意味着从一个窗口切换到下一个窗口时，需要跳过3个int元素（3×4=12字节），直接定位到下一个无重叠窗口的起始位置
  • 第二个维度（窗口内元素）步长4字节：和原数组一致，依次读取连续的内存元素

这种方式的优势是零内存复制，执行效率极高，但风险也很明显：如果shape和strides设置不合理，会访问到原数组内存以外的区域，引发不可预测的错误，因此使用前必须严格校验参数的合法性。

内容的提问来源于stack exchange，提问作者Rares Popa