Features de ventana deslizante
Tema: Series de Tiempo y Señales · Catálogo de recetas · temario: Syllabus IOAI
📍 Dónde se aprende: módulo 19 de la Ruta de Aprendizaje.
Qué hace
Corta una señal en ventanas solapadas y calcula estadísticos por ventana, sin copiar memoria.
Cuándo usarla
La primera cosa que se prueba con señales, audio crudo o series de tiempo. Buenas features de ventana más un modelo clásico resolvían Radar (2025), la tarea con mejor media de esa edición.
Implementación
Necesita: numpy.
import numpy as np
def ventanas(x, largo, paso=1):
"""Corta una señal 1-D en ventanas solapadas, sin copiar memoria.
Devuelve una vista de forma (n_ventanas, largo). Es la base de casi todo
feature de señal: sobre este arreglo se calculan media, desviación, energía
o el espectro de cada ventana de un golpe.
"""
x = np.asarray(x)
n = (len(x) - largo) // paso + 1
if n <= 0:
return np.empty((0, largo), dtype=x.dtype)
s = x.strides[0]
return np.lib.stride_tricks.as_strided(x, shape=(n, largo),
strides=(s * paso, s), writeable=False)
def features_de_ventana(x, largo, paso=1):
"""Media, desviación, mínimo, máximo y energía por ventana -> (n, 5)."""
V = ventanas(x, largo, paso).astype(float)
if len(V) == 0:
return np.empty((0, 5))
return np.column_stack([V.mean(1), V.std(1), V.min(1), V.max(1),
(V ** 2).sum(1)])⚠️ Notas
as_strided devuelve una vista: es rapidísima y no copia, pero escribir en ella corrompe la señal original. Por eso va con writeable=False.
El paso controla el solapamiento. Ventanas solapadas dan más filas, pero esas filas no son independientes: si vas a validar, parte por Split por grupo usando la señal de origen como grupo, o te estarás mintiendo.
🔗 Relacionadas
Verificada
Este código se ejecuta en cada publicación, contra una referencia obviamente correcta, en
herramientas/pruebas/datos.py. Si se rompe, el sitio no se actualiza.
Las otras puertas del vault: Ruta de Aprendizaje · Referencia · IOAI