Python NumPy gradient方法用法及代码示例

Numpy 的 gradient(~) 方法计算给定数据点的梯度，其中梯度定义为 y 的变化相对于 x 的变化。

1. f | array-like

函数输出(y-values)。

2. varargs | scalar 的array | optional

f 中点对之间的间距。默认情况下，varargs=1 。

3. edge_order | int | optional

用于边计算的精度顺序。允许的值为 1 和 2。默认情况下为 edge_order=2 。

4. axis | None 或int 或tuple 或int | optional

计算梯度的轴。

保存数据点梯度的 Numpy 数组。

要使用默认值 1 的 step-size 计算梯度：

y = [1,2,4,9,16]
np.gradient(y)



array([1. , 1.5, 3.5, 6. , 7. ])

在幕后，数字的计算方式如下：

(y[1] - y[0]) / 1 = 1.0
(y[2] - y[0]) / 2 = 1.5
(y[3] - y[1]) / 2 = 3.5
(y[4] - y[2]) / 2 = 6.0
(y[4] - y[3]) / 1 = 7.0

请注意，在边界处，仅计算第一个差值。

我们可以指定自己的 x-values，而不是默认的 step-size 1：

x = [5,10,20,30]
y = [1,2,4,9]
np.gradient(y, x)



array([0.2 , 0.2 , 0.35, 0.5 ])

在幕后，数字的计算方式如下：

(y[1] - y[0]) / (x[1] - x[0]) = 0.2
(y[2] - y[0]) / (x[2] - x[0]) = 0.2
(y[3] - y[1]) / (x[3] - x[1]) = 0.35
(y[3] - y[2]) / (x[3] - x[2]) = 0.5

相关用法

注：本文由纯净天空筛选整理自Isshin Inada大神的英文原创作品 NumPy | gradient method。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。