如何使用均值函数对n维numpy数组的单个维度进行重采样

最优方案：纯NumPy向量化实现 #

这是性能最高、无额外依赖的方案，全程调用NumPy内置优化接口，没有循环开销：

import numpy as np

# 输入原数组 arr 形状为 (1200, 500, 1)
window_size = 10 # 500 / 50 = 10，刚好整除无需处理边缘
downsampled_arr = arr.reshape(1200, 50, window_size, 1).mean(axis=2)

实现逻辑说明：

• 先通过reshape把长度为500的第二个维度拆为50 * 10的二维结构，这个操作仅修改数组视图，不会复制数据，开销可忽略
• 再对拆分出来的窗口维度（第3个维度，索引为2）求均值，得到的输出数组形状恰好是你需要的(1200, 50, 1)
• 单步运算都是NumPy底层C实现的向量化操作，比Python手写循环效率高1~2个数量级

如果遇到降采样比例不能整除的场景，可以先对原数组做截断/补零预处理，示例如下：

target_len = 50
window_size = 10
# 截断多余的边缘数据
trimmed_arr = arr[:, :target_len * window_size, :]
downsampled_arr = trimmed_arr.reshape(1200, target_len, window_size, 1).mean(axis=2)

备选方案：已有第三方依赖时的简化实现 #

如果项目已经引入了图像处理相关依赖，也可以直接调用封装好的接口：

from skimage.transform import resize
# order=0对应均值采样，关闭抗锯齿避免额外计算开销
downsampled_arr = resize(arr, (1200, 50, 1), anti_aliasing=False, order=0)

该方案代码更简洁，但性能略低于纯NumPy实现，适合不需要极致性能的场景。

内容的提问来源于stack exchange，提问作者SchwarzbrotMitHummus