|
本文的主要内容是基于中国大学mooc（慕课）中的“Python数据分析与可视化”课程进行整理和总结。 np.gradient(f):用于计算数组f中元素的梯度，当f为多维时，返回每个维度的梯度。
a = np.random.randint(0,20,(5,))
a
array([10, 0, 7, 0, 19])
np.gradient(a)
array([-10. , -1.5, 0. , 6. , 19. ])
由梯度计算公式得到梯度计算结果-1.5=（7-10）/2，-10=（0-10）/1。 二维数组的梯度计算：
c = np.random.randint(0,50,(3,5))
c
array([[25, 49, 14, 13, 20],
[43, 6, 13, 15, 24],
[ 9, 2, 7, 5, 36]])
np.gradient(c)
[array([[ 18. , -43. , -1. , 2. , 4. ],
[ -8. , -23.5, -3.5, -4. , 8. ],
[-34. , -4. , -6. , -10. , 12. ]]),
array([[ 24. , -5.5, -18. , 3. , 7. ],
[-37. , -15. , 4.5, 5.5, 9. ],
[ -7. , -1. , 1.5, 14.5, 31. ]])]
对于二维数组，任意一个元素的梯度存在两个方向，所以求得的梯度为两个数组对象，第一个数组表示最外层维度的梯度值，第二个数组表示第二层维度的梯度值。 对于n维数组，gradient函数会生成n个数组，每个数组代表元素在第n个维度的梯度变化值，梯度反应了元素的变化率，尤其是我们在进行图像，声音等数据处理，梯度有助于帮助我们发现图像和声音的边缘，在那些变化不是很平缓的地方，可以很容易的发现。
|