L8EasyPart L · 经典 ML 与统计模拟

滑动平均(Moving Average 窗口滑动计算)

⚡闪卡盲测➔

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
Step 4 · 面试追问盲答与错题记录
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?
下一题: LLM-as-a-Judge 位置消偏与 Cohen's Kappa 校准 →
💡

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

SMAt=1W∑i=t−W+1txi=SMAt−1+xt−xt−WW\mathrm{SMA}_t = \frac{1}{W} \sum_{i=t-W+1}^t x_i = \mathrm{SMA}_{t-1} + \frac{x_t - x_{t-W}}{W}
### 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 O(N⋅W)O(N \cdot W):
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 xt−Wx_{t-W},并移入了一个新数据 xtx_t:
Sumt=Sumt−1+xt−xt−W\text{Sum}_t = \text{Sum}_{t-1} + x_t - x_{t-W}
每次滑动只需 1 次加法和 1 次减法,单步时间降为 O(1)O(1);
2. 前缀和数组法(Prefix Sum):
预先计算前缀累加和 Sk=∑i=1kxiS_k = \sum_{i=1}^k x_i:
Sum(a,b)=Sb−Sa−1\mathrm{Sum}(a, b) = S_b - S_{a-1}
任意窗口的均值可在 O(1)O(1) 时间内由两项差值除以 WW 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!
🎯 立即在闪卡中盲测此题➔
← 上一题: 蓄水池抽样(Reservoir Sampling:单遍等概率抽取 k 个样本)返回 Part L 与全部 105 题下一题: LLM-as-a-Judge 位置消偏与 Cohen's Kappa 校准 →