Den numpy modulen av Pytonorm tillhandahåller en funktion som kallas numpy.diff för beräkning av nthdiskret skillnad längs den givna axeln. Om 'x' är inmatningsmatrisen, då ges den första skillnaden av ut[i]=x[i+1]-a[i]. Vi kan beräkna den högre skillnaden genom att använda diff rekursivt. numpy-modulen i Python tillhandahåller en funktion som kallas numpy.diff för att beräkna den n:te diskreta skillnaden längs den givna axeln. Om 'x' är inmatningsmatrisen, så ges den första skillnaden av ut[i]=x[i+1]-a[i]. Vi kan beräkna den högre skillnaden genom att använda diff rekursivt.
propositionell logik
Syntax
numpy.diff(a, n=1, axis=-1, prepend=, append=)
Parametrar
x: array_like
Denna parameter definierar källmatrisen vars element n:te diskreta hänvisning är de som vi vill beräkna.
n: int(valfritt)
Denna parameter definierar antalet gånger värdena skiljer sig åt. Om det är 0, returneras källmatrisen som den är.
append, prepend: array_like(valfritt)
Den här parametern definierar en ndarray, som definierar de värden som ska läggas till eller föregå 'x' , längs axeln före beräkning av skillnader.
Returnerar:
Denna funktion returnerar en ndarray som innehåller n:te skillnader med samma form som 'x,' och dimensionen är mindre från n . Typen av skillnad mellan två delar av 'x' är typen av utgång.
Exempel 1:
import numpy as np arr = np.array([0, 1, 2], dtype=np.uint8) arr b=np.diff(arr) b arr[2,...] - arr[1,...] - arr[0,...]
Produktion:
array([0, 1, 2], dtype=uint8) array([1, 1], dtype=uint8) 1
I ovanstående kod
- Vi har importerat numpy med alias np.
- Vi har skapat en array 'arr' använder sig av np.array() funktion med dtype 'uint8' .
- Vi har deklarerat variabeln 'b' och tilldelade det returnerade värdet av np.diff() fungera.
- Vi har passerat arrayen 'arr' i funktionen.
- Till sist försökte vi skriva ut värdet på 'b' och skillnaden mellan element.
I utgången visar den de diskreta skillnaderna mellan element.
Exempel 2:
import numpy as np x = np.array([11, 21, 41, 71, 1, 12, 33, 2]) y = np.diff(x) x y
Produktion:
array([11, 21, 41, 71, 1, 12, 33, 2]) array([ 10, 20, 30, -70, 11, 21, -31])
Exempel 3:
import numpy as np x = np.array([[11, 21, 41], [71, 1, 12], [33, 2, 13]]) y = np.diff(x, axis=0) y z = np.diff(x, axis=1) z
Produktion:
array([[ 60, -20, -29], [-38, 1, 1]]) array([[ 10, 20], [-70, 11], [-31, 11]])
Exempel 4:
import numpy as np x = np.arange('1997-10-01', '1997-12-16', dtype=np.datetime64) y = np.diff(x) y
Produktion:
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1], dtype='timedelta64[D]')
I ovanstående kod
- Vi har importerat numpy med alias np.
- Vi har skapat en rad datum 'x' använder sig av np.arange() funktion med dtype 'datetime64' .
- Vi har deklarerat variabeln 'och' och tilldelade det returnerade värdet av np.diff() fungera.
- Vi har passerat arrayen 'x' i funktionen.
- Till sist försökte vi skriva ut värdet på 'och' .
I utgången visar den de diskreta skillnaderna mellan datum.