numpy.diff#

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

沿给定轴计算第 n 次离散差分。

第一次差分由 out[i] = a[i+1] - a[i] 沿给定轴给出,更高阶差分通过递归使用 diff 计算。

参数:
aarray_like

输入数组

nint, 可选

差分值的次数。如果为零,则按原样返回输入。

axisint, 可选

进行差分的轴,默认值为最后一个轴。

prepend, appendarray_like, 可选

在执行差分之前,要沿轴追加到 a 的值。标量值将扩展为在轴方向上长度为 1 的数组,并在所有其他轴上具有输入数组的形状。否则,维度和形状必须与 a 相匹配,除了沿轴的方向。

版本 1.16.0 中新增。

返回值:
diffndarray

第 n 次差分。输出的形状与 a 相同,除了沿 axis 方向,该维度的尺寸将减小 n。输出的类型与 a 中任意两个元素的差分类型相同。在大多数情况下,这与 a 的类型相同。一个明显的例外是 datetime64,它将导致 timedelta64 输出数组。

另请参阅

gradient, ediff1d, cumsum

注释

对于布尔数组,类型将被保留,因此当连续元素相同时,结果将包含 False,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。这并不奇怪,因为结果与直接计算差分是一致的。

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

如果这不是期望的结果,那么应该先将数组强制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]')