numpy.gradient

numpy.gradient(f, *varargs, **kwargs)

返回N维数组的梯度。

计算梯度：内部使用二阶精确中心差，边界处使用一阶差或二阶精确单边（向前或向后）差。因此，返回的梯度具有与输入数组相同的形状。

参数：

f：array_like

包含标量函数样本的N维数组。

varargs：标量或标量列表，可选

N个标量，其指定每个维度的样本距离，即dx、dy、dz等。默认距离：1。只有一个标量表示所有维度的样本距离。如果给定axis，则varargs的数量必须等于轴的数量。

edge_order：{1,2}，可选

边界处使用的N^th阶精度差来计算梯度。默认值：1。

版本1.9.1中的新功能。

axis：None、整数或整数元组，可选

仅沿给定轴计算梯度。默认值（axis = None）用于计算输入数组的所有轴的梯度。轴可以为负，在这种情况下，从最后一个轴计数到第一个轴。

版本1.11.0中的新功能。

返回：

gradient : ndarray列表

列表的每个元素具有与f相同的形状，给出相对于每个维度的f的导数。

例子

>>> x = np.array([1, 2, 4, 7, 11, 16], dtype=np.float)
>>> np.gradient(x)
array([ 1. ,  1.5,  2.5,  3.5,  4.5,  5. ])
>>> np.gradient(x, 2)
array([ 0.5 ,  0.75,  1.25,  1.75,  2.25,  2.5 ])

对于二维数组，返回将是按轴排序的两个数组。在这个例子中，第一个数组代表行中的梯度，第二个数组代表列方向上的梯度：

>>> np.gradient(np.array([[1, 2, 6], [3, 4, 5]], dtype=np.float))
[array([[ 2.,  2., -1.],
        [ 2.,  2., -1.]]), array([[ 1. ,  2.5,  4. ],
        [ 1. ,  1. ,  1. ]])]

>>> x = np.array([0, 1, 2, 3, 4])
>>> dx = np.gradient(x)
>>> y = x**2
>>> np.gradient(y, dx, edge_order=2)
array([-0.,  2.,  4.,  6.,  8.])

axis关键字可用于指定轴的一个子集来计算梯度

>>> np.gradient(np.array([[1, 2, 6], [3, 4, 5]], dtype=np.float), axis=0)
array([[ 2., 2., -1.], [ 2., 2., -1.]]