numpy.diff#

numpy.diff(a, n=1, axis=-1, prepend=<no value>, append=<no value>)[源代码]#

计算沿给定轴的第 n 个离散差值.

第一个差值由沿给定轴的 out[i] = a[i+1] - a[i] 给出,更高的差值通过递归使用 diff 计算.

参数:
aarray_like

输入数组

n整数,可选

对值进行差分的次数.如果为零,则按原样返回输入.

axis整数,可选

沿其计算差值的轴,默认为最后一个轴.

prepend, appendarray_like, optional

在执行差分之前沿轴 a 预先添加或附加的值.标量值在轴的方向上扩展为长度为 1 的数组,并在所有其他轴上扩展为输入数组的形状.否则,维度和形状必须与 a 匹配,除非沿轴.

返回:
diffndarray

n阶差分.输出的形状与 a 相同,除了沿 axis 轴的维度会缩小 n .输出的类型与 a 中任意两个元素之间的差的类型相同. 在大多数情况下,这与 a 的类型相同. 一个值得注意的例外是 datetime64 ,它会产生一个 timedelta64 输出数组.

参见

gradient , ediff1d , cumsum

注释

类型对于布尔数组会被保留,因此当连续元素相同时,结果将包含 False ,而当它们不同时则包含 True .

对于无符号整数数组,结果也将是无符号的.这不应该令人惊讶,因为结果与直接计算差值是一致的:

>>> u8_arr = np.array([1, 0], dtype=np.uint8)
>>> np.diff(u8_arr)
array([255], dtype=uint8)
>>> u8_arr[1,...] - u8_arr[0,...]
np.uint8(255)

如果希望不这样做,那么应该首先将数组转换为更大的整数类型:

>>> i16_arr = u8_arr.astype(np.int16)
>>> np.diff(i16_arr)
array([-1], dtype=int16)

示例

>>> import numpy as np
>>> x = np.array([1, 2, 4, 7, 0])
>>> np.diff(x)
array([ 1,  2,  3, -7])
>>> np.diff(x, n=2)
array([  1,   1, -10])

>>> x = np.array([[1, 3, 6, 10], [0, 5, 6, 8]])
>>> np.diff(x)
array([[2, 3, 4],
       [5, 1, 2]])
>>> np.diff(x, axis=0)
array([[-1,  2,  0, -2]])

>>> x = np.arange('1066-10-13', '1066-10-16', dtype=np.datetime64)
>>> np.diff(x)
array([1, 1], dtype='timedelta64[D]')
当前页面