如何用Numpy构建用于神经网络的时序预测输入数组？

现有一个形状为(1542, 2)的2D NumPy数组：

[[-0.83776179 -1.        ]
 [-0.83229744 -0.99845917]
 [-0.81120124 -0.99691834]
 ...
 [ 0.33190834  0.99691834]
 [ 0.3312287   0.99845917]
 [ 0.34686055  1.        ]]

需要将其分组，每个样本包含目标条目之前的200个条目，用于预测下一个条目，最终得到形状为(N, 200, 2)的3D数组（其中N = 1542 - 200，即总样本数），结构示例如下：

[[[-0.83776179 -1.        ]
 [-0.83229744 -0.99845917]
 [-0.81120124 -0.99691834]
 ...
 # 共200个元素
 [ 0.33190834  0.99691834]
 [ 0.3312287   0.99845917]
 [ 0.34686055  1.        ]]
 # 后续样本依次滑动窗口生成
 [[-0.83229744 -0.99845917]
 [-0.81120124 -0.99691834]
 ...
 # 同样200个元素
 [ 0.3312287   0.99845917]
 [ 0.34686055  1.        ]
 # 下一个新条目
 [x, y]]]

使用NumPy的np.lib.stride_tricks.sliding_window_view是最高效的方案，它通过调整数组的内存步长实现滑动窗口，不需要额外复制数据，性能最优。

代码示例 #

假设原始数组名为arr：

import numpy as np

# 原始数组，形状(1542, 2)
arr = np.array([[-0.83776179, -1.        ],
                [-0.83229744, -0.99845917],
                [-0.81120124, -0.99691834],
                # ... 省略其余元素
                [ 0.33190834,  0.99691834],
                [ 0.3312287,   0.99845917],
                [ 0.34686055,  1.        ]])

# 生成滑动窗口，每个窗口包含200个连续条目
windowed_arr = np.lib.stride_tricks.sliding_window_view(arr, window_shape=(200, 2))

# 调整形状到(N, 200, 2)，其中N=1542-200=1342
windowed_arr = windowed_arr.squeeze(axis=1)

补充说明 #

• sliding_window_view会生成形状为(1342, 1, 200, 2)的数组，通过squeeze(axis=1)去掉多余的维度，得到最终的(1342, 200, 2)结构。
• 这种方法完全基于内存视图，没有数据复制，处理大数组时速度远快于循环或列表推导式。
• 如果你的NumPy版本低于1.20.0（sliding_window_view在1.20.0版本引入），可以用np.lib.stride_tricks.as_strided手动实现，代码如下：

def sliding_window(arr, window_size):
    n_samples = arr.shape[0] - window_size + 1
    strides = (arr.strides[0],) + arr.strides
    shape = (n_samples, window_size) + arr.shape[1:]
    return np.lib.stride_tricks.as_strided(arr, shape=shape, strides=strides)

windowed_arr = sliding_window(arr, 200)

内容的提问来源于stack exchange，提问作者Apollo