numpy.ma.diff#

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

计算给定轴上的第 n 个离散差分.第一个差分由给定轴上的 out[i] = a[i+1] - a[i] 给出,通过递归使用 diff 来计算更高的差分.保留输入掩码.

参数:
aarray_like

输入数组

nint, optional

值被差分的次数.如果为零,则按原样返回输入.

轴int, optional

计算差异的轴,默认为最后一个轴.

prepend, append类数组,可选

在执行差分之前,沿轴 axis 预先添加或追加到 a 的值.标量值会扩展为沿轴方向长度为 1,沿所有其他轴方向与输入数组形状相同的数组.否则,除了沿轴 axis 之外,维度和形状必须与 a 匹配.

返回:
diffMaskedArray

n 阶差分.输出的形状与 a 相同,只是沿 axis 轴的维度缩小了 n.输出的类型与 a 中任意两个元素之差的类型相同.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 ,它会生成一个 timedelta64 输出数组.

参见

numpy.diff

NumPy 顶级模块中的等效函数.

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,结果将包含 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一致:

>>> u8_arr = np.array([1, 0], dtype=np.uint8)
>>> np.ma.diff(u8_arr)
masked_array(data=[255],
             mask=False,
       fill_value=np.uint64(999999),
            dtype=uint8)
>>> u8_arr[1,...] - u8_arr[0,...]
np.uint8(255)

如果这是不期望的,则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.ma.diff(i16_arr)
masked_array(data=[-1],
             mask=False,
       fill_value=np.int64(999999),
            dtype=int16)

示例

>>> import numpy as np
>>> a = np.array([1, 2, 3, 4, 7, 0, 2, 3])
>>> x = np.ma.masked_where(a < 2, a)
>>> np.ma.diff(x)
masked_array(data=[--, 1, 1, 3, --, --, 1],
        mask=[ True, False, False, False,  True,  True, False],
    fill_value=999999)

>>> np.ma.diff(x, n=2)
masked_array(data=[--, 0, 2, --, --, --],
            mask=[ True, False, False,  True,  True,  True],
    fill_value=999999)

>>> a = np.array([[1, 3, 1, 5, 10], [0, 1, 5, 6, 8]])
>>> x = np.ma.masked_equal(a, value=1)
>>> np.ma.diff(x)
masked_array(
    data=[[--, --, --, 5],
            [--, --, 1, 2]],
    mask=[[ True,  True,  True, False],
            [ True,  True, False, False]],
    fill_value=1)

>>> np.ma.diff(x, axis=0)
masked_array(data=[[--, --, --, 1, -2]],
        mask=[[ True,  True,  True, False, False]],
    fill_value=1)
On this page