1，滑动窗口

滑动窗口，简单来说，就是以动态的边界限定的一组元素。

2，窗口大小；滑动步长

其中边界限定的大小称为窗口大小，边界变化的幅度称为滑动步长。

窗口大小为5，滑动步长为1的滑动窗口

滑动窗口用在图片定位

def sliding_window(image, window, step):
#第一个 for 循环控制矩形框以 step 的步长在图片中上下移动for y in range(0, image.shape[0] - window[1], step):  #第二个 for 循环控制矩形框以 step 的步长在图中左右移动。for x in range(0, image.shape[1] - window[0], step):#最后通过 yield 生成器返回一个元组#元组的第一个元素 x 和第二个元素 y 表示矩形框左上角的坐标#第三个元素 image[y:y + window[1], x:x + window[0]] 就是处在图片中不同位置的矩形框。yield (x, y, image[y:y + window[1], x:x + window[0]]) #遍历每一个滑动窗口
for (x, y, window) in sliding_window(image, (window_w, window_h), 200):
#使用一个 if 语句来判断获得的滑动窗口和我们设定的滑动窗口大小是否一致
#如果滑动窗口截取的区域与设定的 (window_w, window_h) 中任意一个元素不同，
#则执行 continue 跳过该滑动窗口。if window.shape[0] != window_w or window.shape[1] != window_h:continueclone = image.copy()cv2.rectangle(clone, (x, y), (x + window_w, y + window_h), (0, 255, 0), 2)#OpenCV 图片是以 B，G，R（蓝，绿，红）的通道顺序存储的，而在 Matplotlib 中图片是以 R，G，B 的通道顺序存储，所以我们使用 clone[:,:,::-1] 切片方法来跳转图片通道的顺序clone = clone[:,:,::-1]plt.imshow(clone)plt.pause(0.1) #让每张图片显示暂停一段时间，函数的参数 0.1 表示暂停 0.1 秒。display.clear_output(wait=True)  #清除已经显示的图片为下一张图片显示做准备。

滑动窗口处理数据

参考文章

时间序列预测中的数据滑窗操作

时间预测的原理：将历史数据x预测未来数据y。为了充分利用原始（历史）数据，所以对原始数据集进行滑窗操作

例子(多特征时间序列)。这种数据一般使用在待预测的数据跟多个特征相关性较高的场合中

这是含三个特征的数据集，H（ humidity）、PT（pressure）、PE（power）三个特征为预测依据。
取当前和上三个时刻共四个时刻的已知数据对下一时刻的PE（功率）进行预测

那么对于X数据集的滑窗就应该如下图所示

对y数据集的滑窗应该如下图所示。y数据集只能是一维

def sliding_window(DataSet, X_width, y_width, gap = 1, multi_vector = None, X_data = True):'''DataSet has to be as a DataFrame'''if X_data:if multi_vector:a,b = DataSet.shapeelse:a = DataSet.shape[0]b = 1c = (a-X_width-y_width-a%gap)/gapX = np.reshape(DataSet.iloc[0:X_width,:].values,(1,X_width,b))for i in range(len(DataSet) - X_width - y_width):i += 1if i > c:breakj = i * gaptmp = DataSet.iloc[j:j + X_width,:].valuestmp = np.reshape(tmp,(1,X_width,b))X = np.concatenate([X,tmp],0)return Xelse:if multi_vector:print('y_data-error：expect 1D ,given %dD'%DataSet.shape[1])return;else:a = DataSet.shape[0]c = (a-X_width-y_width-a%gap)/gapy = np.reshape(DataSet.iloc[X_width:X_width + y_width,0].values,(1,y_width))for i in range(len(DataSet) - X_width - y_width):i += 1if i > c:breakj = i * gap + X_widthtmp = DataSet.iloc[j:j + y_width,:].valuestmp = np.reshape(tmp,(1,y_width))y = np.concatenate([y,tmp])return y

单特征

#DataSet训练数据集
#X_width使用的历史数据长度
#y_width要预测的数据长度
#X_data是否是X数据集
train_X = sliding_window(DataSet, X_width, y_width)
train_y = sliding_window(DataSet, X_width, y_width, X_data = None)

多特征

#DataSet训练数据集
#X_width使用的历史数据长度
#y_width要预测的数据长度
#multi_vector是否为多特征
#X_data是否是X数据集
train_X = sliding_window(DataSet, X_width, y_width, multi_vector = True)
test_y = sliding_window(DataSet, X_width, y_width, multi_vector = True, X_data = None)

单变量输入

def sliding_window(train, sw_width=7, n_out=7, in_start=0):'''该函数实现窗口宽度为7、滑动步长为1的滑动窗口截取序列数据'''data = train.reshape((train.shape[0] * train.shape[1], train.shape[2]))  # 将以周为单位的样本展平为以天为单位的序列X, y = [], []for _ in range(len(data)):in_end = in_start + sw_widthout_end = in_end + n_out# 保证截取样本完整，最大元素索引不超过原序列索引，则截取数据；否则丢弃该样本if out_end < len(data):# 训练数据以滑动步长1截取train_seq = data[in_start:in_end, 0]   ！！！！！这里train_seq = train_seq.reshape((len(train_seq), 1))X.append(train_seq)y.append(data[in_end:out_end, 0])in_start += 1return np.array(X), np.array(y)

多变量输入

ef sliding_window(train, sw_width=7, n_out=7, in_start=0):'''该函数实现窗口宽度为7、滑动步长为1的滑动窗口截取序列数据截取所有特征'''# 这里是将三维数组重塑成二维数组，这样就还原回以每日为单位的采样序列data = train.reshape((train.shape[0] * train.shape[1], train.shape[2]))  # 将以周为单位的样本展平为以天为单位的序列X, y = [], []# print(train.shape[0])  #159# print(train.shape[1])  #7# print(train.shape[2])  #8# print(len(data))       #1113# print(data.shape)      #(1113, 8)for _ in range(len(data)):in_end = in_start + sw_widthout_end = in_end + n_out# 保证截取样本完整，最大元素索引不超过原序列索引，则截取数据；否则丢弃该样本if out_end < len(data):# 因为是for循环，所以滑动窗口的滑动步长为1；想调整滑动步长可以通过yield实现，后边的文章会讲；！！！！！这里X.append(data[in_start:in_end, :])  # 截取窗口宽度数量的采样点的全部8个特征y.append(data[in_end:out_end, 0])   # 截取样本之后7个时间步长的总有功功耗（截取一个单列片段，有7个元素）in_start += 1# print(np.array(X).shape)    #(1092, 14, 8)# print(np.array(y).shape)    #(1092, 7)return np.array(X), np.array(y)

滑动窗口sliding_window相关推荐

时间序列分类05：滑动窗口处理时间序列分类数据
[时间序列预测/分类] 全系列60篇由浅入深的博文汇总:传送门在处理时间序列预测或者时间序列分类任务的时候,经常会遇到"滑动窗口(sliding window)"的概念,包括在之 ...
【python】滑动窗口算法
一.诉求起因是要计算视频卡顿时长. 在处理video_to_pic的时候,用数字标识图片切片,比如1.png.2.png: 由于卡顿时长不一致,不是固定的区间,但希望获取到所有卡顿的小区间: 当成列 ...
leetcode 30. Substring with Concatenation of All Words 与所有单词相关联的字串滑动窗口法
题目描述给定一个字符串 s 和一些长度相同的单词 words.在 s 中找出可以恰好串联 words 中所有单词的子串的起始位置. You are given a string, s, and a ...
leetcode 567. Permutation in String 字符串的排列滑动窗口法
题目给定两个字符串 s1 和 s2,写一个函数来判断 s2 是否包含 s1 的排列.换句话说,第一个字符串的排列之一是第二个字符串的子串. 示例1:输入: s1 = "ab" s ...
leetcode Longest Substring with At Most Two Distinct Characters 滑动窗口法
题目解析代码如下题目解析这一题是一道会员的题目,题目介绍如下: Given a string, find the length of the longest substring T that c ...
leetcode 3. Longest Substring Without Repeating Characters 最长非重复子串的长度滑动窗口法
题目链接根据我们之前介绍的滑动窗口法的解法: 滑动窗口法详解 leetcode 438. Find All Anagrams in a String 滑动窗口法这题,我们不难解决,使用之前的模板. ...
leetcode 438. Find All Anagrams in a String 滑动窗口法
题目链接解析主要使用滑动窗口法解题,需要好好体会的是中间的两个判断couter的用法,这里很巧妙. 如果想了解更多的滑动窗口法内容,看这里: 滑动窗口法详解代码 from collections ...
2021年大数据Flink（二十）：案例二基于数量的滚动和滑动窗口
目录案例二基于数量的滚动和滑动窗口需求代码实现案例二基于数量的滚动和滑动窗口需求需求1:统计在最近5条消息中,各自路口通过的汽车数量,相同的key每出现5次进行统计--基于数量的滚动窗 ...
2021年大数据Flink（十九）：案例一基于时间的滚动和滑动窗口
目录案例一基于时间的滚动和滑动窗口需求代码实现案例一基于时间的滚动和滑动窗口需求 nc -lk 9999 有如下数据表示: 信号灯编号和通过该信号灯的车的数量 9,3 9,2 9,7 4 ...

滑动窗口sliding_window