如何计算带自定义步长的3D数组移动平均？求替代bottleneck的函数

bottleneck的move.move_mean确实不支持步长参数，针对你的需求，这里有几个高效的替代方案：

方案一：NumPy滑动窗口+步长采样（CPU端高效推荐） #

利用NumPy的sliding_window_view生成滑动窗口，再按自定义步长采样后计算均值，底层基于数组stride实现，速度接近bottleneck的优化水平：

import numpy as np

# 测试数据（修正原代码的数组形状语法错误）
img = np.ones((10, 10, 50))
window_size = 5
stride = 5  # 自定义步长，可按需修改

# 生成沿第2轴的滑动窗口
windows = np.lib.stride_tricks.sliding_window_view(img, window_size, axis=2)
# 按步长选取窗口，再在窗口维度求均值
img_new = windows[..., ::stride, :].mean(axis=-1)

如果需要和bottleneck一致的边界处理（如mode='nearest'或'wrap'），可先对原数组做边界填充，再生成滑动窗口。

方案二：卷积实现移动平均 #

移动平均本质是一维卷积，用scipy.ndimage.convolve可指定步长，适合需要自定义边界模式的场景：

from scipy.ndimage import convolve

window_size = 5
stride = 5
# 构造均值卷积核
kernel = np.full(window_size, 1/window_size)
# 扩展核的维度以匹配3D数组的轴
kernel = kernel[np.newaxis, np.newaxis, :]

# 计算带步长的卷积（mode可选'valid'/'constant'/'nearest'等）
img_new = convolve(img, kernel, mode='valid', stride=(1, 1, stride))

使用mode='valid'时，输出的第2轴长度为(50 - window_size) // stride + 1，和非重叠窗口的预期结果一致。

方案三：GPU加速（有硬件条件时使用） #

如果数据量极大，可用CuPy替代NumPy，语法和方案一完全一致，借助GPU实现更快的计算：

import cupy as cp

img = cp.ones((10, 10, 50))
window_size = 5
stride = 5

windows = cp.lib.stride_tricks.sliding_window_view(img, window_size, axis=2)
img_new = windows[..., ::stride, :].mean(axis=-1)
# 如需转回NumPy数组：img_new = img_new.get()

内容的提问来源于stack exchange，提问作者emely_pi