L8EasyPart L · 经典 ML 与统计模拟
滑动平均(Moving Average 窗口滑动计算)
时间序列分析与实时监控基础,简单滑动窗口均值(SMA)与前缀和常数复杂度优化。
⏱️ 时间复杂度:
O(N) 线性单遍💾 空间复杂度:
O(N)🎯 免登录实战自测闭环(先做再看答案)
按「机制回忆 → 关键行填空 → 边界反例 → 追问与错题记录」顺序自测,进度自动保存在本地。
Step 1 · 机制口述与数值稳定性自检
Step 2 · 核心代码关键行补全
import numpy as np
def simple_moving_average_cumsum(x: np.ndarray, window_size: int) -> np.ndarray:
"""利用前缀和 O(N) 极速计算滑动窗口均值"""
if window_size <= 0 or window_size > len(x):
raise ValueError("无效的窗口大小")
# 计算前缀和 (补 0 方便切片)
cumsum =
# 窗口和 = cumsum[w:] - cumsum[:-w]
return
Step 3 · 反例与边界断言核对
💡
实战一句话记忆口诀
前缀和两头错位相减,新老交替一加一减,常数步长扫时序
📐 核心数学公式与机理推导
### 队列增量更新与前缀和常数优化
直接对每个滑动窗口求和的暴力实现时间复杂度为 :
1. 递推滑动更新(Running Window):
窗口向右滑动一步,仅仅是移出了最左端的一个老数据 ,并移入了一个新数据 :
每次滑动只需 1 次加法和 1 次减法,单步时间降为 ;
2. 前缀和数组法(Prefix Sum):
预先计算前缀累加和 :
任意窗口的均值可在 时间内由两项差值除以 获得。
直接对每个滑动窗口求和的暴力实现时间复杂度为 :
1. 递推滑动更新(Running Window):
窗口向右滑动一步,仅仅是移出了最左端的一个老数据 ,并移入了一个新数据 :
每次滑动只需 1 次加法和 1 次减法,单步时间降为 ;
2. 前缀和数组法(Prefix Sum):
预先计算前缀累加和 :
任意窗口的均值可在 时间内由两项差值除以 获得。
🔄 张量维度与形状流转说明
x: (N,) -> 前缀和 cumsum: (N+1,) -> 错位切片相减除以 W -> sma: (N - W + 1,)
🛡️ 数值稳定性自检与边界要点
- 浮点数长期使用增量减法累加可能积累微小的浮点舍入漂移,前缀和法可规避长时间累积漂移
- 在实时指标监控中,指数加权移动平均(EWMA)无需保存历史队列,占用显存更低
💻 完整参考代码实现
import numpy as np
def simple_moving_average_cumsum(x: np.ndarray, window_size: int) -> np.ndarray:
"""利用前缀和 O(N) 极速计算滑动窗口均值"""
if window_size <= 0 or window_size > len(x):
raise ValueError("无效的窗口大小")
# 计算前缀和 (补 0 方便切片)
cumsum = np.cumsum(np.insert(x, 0, 0))
# 窗口和 = cumsum[w:] - cumsum[:-w]
return (cumsum[window_size:] - cumsum[:-window_size]) / float(window_size)
🧪 本地测试与正确性断言
可直接复制到本地 Python / Jupyter 验证:
import numpy as np
x = np.array([1.0, 2.0, 3.0, 4.0, 5.0])
sma = simple_moving_average_cumsum(x, window_size=3)
# [1,2,3]->2.0; [2,3,4]->3.0; [3,4,5]->4.0
assert np.allclose(sma, [2.0, 3.0, 4.0])
print("✓ 滑动平均前缀和算法自测通过")🎯 核心工程追问与标准应答
Q1:在时序监控中,如何解决数据突发离群毛刺对滑动均值的污染?
采用滑动中位数滤波(Median Filter)或三西格玛动态截断(Trimmed Moving Average)。在滑动窗口内剔除最大和最小的一定比例极端值后再求平均,对网络瞬时心跳超时等抖动具备极高的滤波鲁棒性。
⚡
想检验本题的肌肉记忆?进入 3 阶闪卡主动回忆盲测
隐藏答案遮罩,自测:审题锚点 ➔ 数理公式机理 ➔ 工业标杆代码与连环追问。3 分钟攻破认知盲区!