-
Qyouu
成对问题的一种解决方案是使用np.maximum函数和数组切片：B = np.maximum(A[:-1], A[1:])
-
白衣非少年
无循环解决方案是max在由以下命令创建的窗口上使用skimage.util.view_as_windows：list(map(max, view_as_windows(A, (2,))))[8, 33, 33, 4, 6]复制/粘贴示例：import numpy as npfrom skimage.util import view_as_windowsA = np.array([8, 2, 33, 4, 3, 6])list(map(max, view_as_windows(A, (2,))))
-
芜湖不芜
在本次问答中，我们基本上要求滑动最大值。之前已经探讨过这一点 - NumPy 数组中滑动窗口中的 Max。由于我们希望提高效率，因此我们可以看得更远。其中之一是numba，这里有两个最终变体，我最终得到了杠杆parallel指令，它比没有版本提高了性能：import numpy as npfrom numba import njit, prange@njit(parallel=True)def numba1(a, W): L = len(a)-W+1 out = np.empty(L, dtype=a.dtype) v = np.iinfo(a.dtype).min for i in prange(L): max1 = v for j in range(W): cur = a[i + j] if cur>max1: max1 = cur out[i] = max1 return out @njit(parallel=True)def numba2(a, W): L = len(a)-W+1 out = np.empty(L, dtype=a.dtype) for i in prange(L): for j in range(W): cur = a[i + j] if cur>out[i]: out[i] = cur return out 从之前链接的问答中，等效的 SciPy 版本将是 -from scipy.ndimage.filters import maximum_filter1ddef scipy_max_filter1d(a, W): L = len(a)-W+1 hW = W//2 # Half window size return maximum_filter1d(a,size=W)[hW:hW+L]标杆管理其他发布的通用窗口 arg 的工作方法：from skimage.util import view_as_windowsdef rolling(a, window): shape = (a.size - window + 1, window) strides = (a.itemsize, a.itemsize) return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)# @mathfux's solndef npmax_strided(a,n): return np.max(rolling(a, n), axis=1)# @Nicolas Gervais's solndef mapmax_strided(a, W): return list(map(max, view_as_windows(a,W)))cummax = np.maximum.accumulatedef pp(a,w): N = a.size//w if a.size-w+1 > N*w: out = np.empty(a.size-w+1,a.dtype) out[:-1] = cummax(a[w*N-1::-1].reshape(N,w),axis=1).ravel()[:w-a.size-1:-1] out[-1] = a[w*N:].max() else: out = cummax(a[w*N-1::-1].reshape(N,w),axis=1).ravel()[:w-a.size-2:-1] out[1:N*w-w+1] = np.maximum(out[1:N*w-w+1], cummax(a[w:w*N].reshape(N-1,w),axis=1).ravel()) out[N*w-w+1:] = np.maximum(out[N*w-w+1:],cummax(a[N*w:])) return out使用benchit包（很少有基准测试工具打包在一起；免责声明：我是它的作者）对建议的解决方案进行基准测试。import benchitfuncs = [mapmax_strided, npmax_strided, numba1, numba2, scipy_max_filter1d, pp]in_ = {(n,W):(np.random.randint(0,100,n),W) for n in 10**np.arange(2,6) for W in [2, 10, 20, 50, 100]}t = benchit.timings(funcs, in_, multivar=True, input_name=['Array-length', 'Window-length'])t.plot(logx=True, sp_ncols=1, save='timings.png')因此，numba 非常适合小于 的窗口大小10，此时没有明显的赢家，而在较大的窗口大小上，ppSciPy 则排名第二。
-
紫衣仙女
这是专门为较大窗户设计的方法。窗口大小为 O(1)，数据大小为 O(n)。我已经完成了纯 numpy 和 pythran 实现。我们如何在窗口大小上实现 O(1) ？我们使用“锯齿”技巧：如果 w 是窗口宽度，我们将数据分为很多 w ，对于每个组，我们从左到右和从右到左求累积最大值。任何中间窗口的元素分布在两组中，并且交集的最大值位于我们之前计算的累积最大值之中。因此，每个数据点总共需要 3 次比较。benchit w=100；我的函数是 pp (numpy) 和 winmax (pythran)：对于小窗口尺寸 w=5，图像更加均匀。有趣的是，即使对于非常小的尺寸，pythran 仍然具有巨大的优势。他们必须采取正确的措施来最大限度地减少呼叫开销。蟒蛇代码：cummax = np.maximum.accumulatedef pp(a,w): N = a.size//w if a.size-w+1 > N*w: out = np.empty(a.size-w+1,a.dtype) out[:-1] = cummax(a[w*N-1::-1].reshape(N,w),axis=1).ravel()[:w-a.size-1:-1] out[-1] = a[w*N:].max() else: out = cummax(a[w*N-1::-1].reshape(N,w),axis=1).ravel()[:w-a.size-2:-1] out[1:N*w-w+1] = np.maximum(out[1:N*w-w+1], cummax(a[w:w*N].reshape(N-1,w),axis=1).ravel()) out[N*w-w+1:] = np.maximum(out[N*w-w+1:],cummax(a[N*w:])) return outpythran 版本；编译用pythran -O3 <filename.py>; 这将创建一个可以导入的已编译模块：import numpy as np# pythran export winmax(float[:],int)# pythran export winmax(int[:],int)def winmax(data,winsz): N = data.size//winsz if N < 1: raise ValueError out = np.empty(data.size-winsz+1,data.dtype) nxt = winsz for j in range(winsz,data.size): if j == nxt: nxt += winsz out[j+1-winsz] = data[j] else: out[j+1-winsz] = out[j-winsz] if out[j-winsz]>data[j] else data[j] running = data[-winsz:N*winsz].max() nxt -= winsz << (nxt > data.size) for j in range(data.size-winsz,0,-1): if j == nxt: nxt -= winsz running = data[j-1] else: running = data[j] if data[j] > running else running out[j] = out[j] if out[j] > running else running out[0] = data[0] if data[0] > running else running return out
-
红糖糍粑
如果存在连续的n项目，则扩展解决方案需要循环：np.maximum(*[A[i:len(A)-n+i+1] for i in range(n)])为了避免这种情况，您可以使用跨步技巧并将其转换A为n-length 块的数组：def rolling(a, window): shape = (a.size - window + 1, window) strides = (a.itemsize, a.itemsize) return np.lib.stride_tricks.as_strided(a, shape=shape, strides=strides)例如：>>> rolling(A, 3)array([[ 8, 2, 8], [ 2, 8, 33], [ 8, 33, 33], [33, 33, 4]])完成后你可以用 杀死它np.max(rolling(A, n), axis=1)。尽管它很优雅，但这个解决方案和第一个解决方案都不是高效的，因为我们在仅相差两项的相邻块上重复应用最大值。
-
牛魔王的故事
对于所有 n 的递归解决方案import numpy as npimport sysdef recursive(a: np.ndarray, n: int, b=None, level=2): if n <= 0 or n > len(a): raise ValueError(f'len(a):{len(a)} n:{n}') if n == 1: return a if len(a) == n: return np.max(a) b = np.maximum(a[:-1], a[1:]) if b is None else np.maximum(a[level - 1:], b) if n == level: return b return recursive(a, n, b[:-1], level + 1)test_data = np.array([8, 2, 33, 4, 3, 6])for test_n in range(1, len(test_data) + 2): try: print(recursive(test_data, n=test_n)) except ValueError as e: sys.stderr.write(str(e))输出[ 8 2 33 4 3 6][ 8 33 33 4 6][33 33 33 6][33 33 33][33 33]33len(a):6 n:7关于递归函数你可以观察下面的数据，然后你就会知道如何写递归函数了。"""np.array([8, 2, 33, 4, 3, 6])n=2: (8, 2), (2, 33), (33, 4), (4, 3), (3, 6) => [8, 33, 33, 4, 6] => B' = [8, 33, 33, 4]n=3: (8, 2, 33), (2, 33, 4), (33, 4, 3), (4, 3, 6) => B' [33, 4, 3, 6] => np.maximum([8, 33, 33, 4], [33, 4, 3, 6]) => 33, 33, 33, 6..."""