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 次离散差分.

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

参数:
aarray_like

输入数组

nint, 可选

值被差分的次数.如果为零,则输入按原样返回.

axisint, 可选

沿其计算差分的轴,默认是最后一个轴.

prepend, appendarray_like, 可选

在沿轴执行差分之前,要添加到 a 的值或从 a 中减去的值.标量值会在轴方向上扩展为长度为1的数组,并在沿所有其他轴的输入数组的形状中扩展.否则,维度与形状必须与 a 匹配,除了沿轴的维度.

在 1.16.0 版本加入.

返回:
diffndarray

第 n 次差分.输出的形状与 a 相同,除了沿 axis 的维度较小 n.输出的类型与 a 中任意两个元素之间的差分的类型相同.这在大多数情况下与 a 的类型相同.一个显著的例外是 datetime64,它会导致 timedelta64 输出数组.

参见

gradient, ediff1d, cumsum

备注

布尔数组的类型保持不变,因此当连续元素相同时结果将包含 False,当它们不同时将包含 True.

对于无符号整数数组,结果也将是无符号的.这应该不会令人惊讶,因为结果与直接计算差值一致:

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

如果这不是所期望的,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]')
On this page