求Matlab函数movvar(A,[kb kf])的Python等效实现方案

Matlab的movvar(A,[kb kf])会为数组中每个元素计算对应窗口的方差：窗口包含当前元素、其前kb个元素和后kf个元素，边界位置窗口元素不足时自动缩小范围计算。以下是两种Python实现方式：

方法1：使用NumPy（高效灵活，推荐） #

借助NumPy的滑动窗口工具和方差计算函数，直接模拟Matlab的行为：

import numpy as np

def movvar(arr, kb, kf):
    # 填充边界：前侧补kb个NaN，后侧补kf个NaN，确保每个位置能取到完整窗口
    padded_arr = np.pad(arr, (kb, kf), mode='constant', constant_values=np.nan)
    # 生成滑动窗口，每个窗口长度为 kb + kf + 1
    sliding_windows = np.lib.stride_tricks.sliding_window_view(padded_arr, window_shape=kb + kf + 1)
    # 计算样本方差（ddof=1 对应Matlab默认的除以n-1），忽略窗口中的NaN
    return np.nanvar(sliding_windows, axis=1, ddof=1)

示例验证 #

对数组[1,2,3,4,5]，kb=1、kf=1时：

a = np.array([1,2,3,4,5])
print(movvar(a, 1, 1))
# 输出：[0.5 1.  1.  1.  0.5]，与Matlab计算结果完全一致

如果是二维数组，可指定axis参数控制计算维度，比如按列计算：

def movvar_2d(arr, kb, kf, axis=0):
    # 根据计算维度设置填充方式
    pad_width = ((kb, kf), (0,0)) if axis==0 else ((0,0), (kb, kf))
    padded_arr = np.pad(arr, pad_width, mode='constant', constant_values=np.nan)
    sliding_windows = np.lib.stride_tricks.sliding_window_view(padded_arr, window_shape=kb + kf + 1, axis=axis)
    return np.nanvar(sliding_windows, axis=axis+1, ddof=1)

方法2：使用Pandas（适合DataFrame场景） #

Pandas的rolling默认是向前窗口，通过填充和偏移可以实现前后窗口的效果，以一维Series为例：

import pandas as pd

def pd_movvar(s, kb, kf):
    window_size = kb + kf + 1
    # 填充边界
    padded_s = pd.Series(np.pad(s.values, (kb, kf), mode='constant', constant_values=np.nan))
    # 滑动窗口计算方差，min_periods=1确保边界元素能计算
    rolling_var = padded_s.rolling(window=window_size, min_periods=1).var(ddof=1)
    # 偏移回原数组的位置，去掉填充的边界部分
    return rolling_var.iloc[kb:-kf].reset_index(drop=True)

示例验证 #

s = pd.Series([1,2,3,4,5])
print(pd_movvar(s, 1, 1))
# 输出：0    0.5
#      1    1.0
#      2    1.0
#      3    1.0
#      4    0.5
#      dtype: float64

内容的提问来源于stack exchange，提问作者Cristan Dave Zablan