logo

numpy.diff() i Python

Det nussede modul af Python giver en funktion kaldet numpy.diff til beregning af nthdiskret forskel langs den givne akse. Hvis 'x' er input-arrayet, så er den første forskel givet ved ud[i]=x[i+1]-a[i]. Vi kan beregne den højere forskel ved at bruge diff rekursivt. numpy-modulet i Python giver en funktion kaldet numpy.diff til at beregne den n'te diskrete forskel langs den givne akse. Hvis 'x' er input-arrayet, så er den første forskel givet ved ud[i]=x[i+1]-a[i]. Vi kan beregne den højere forskel ved at bruge diff rekursivt.

normalisering i databasen

Syntaks

 numpy.diff(a, n=1, axis=-1, prepend=, append=) 

Parametre

x: array_like

Denne parameter definerer kildearrayet, hvis elementer n'te diskrete deference er dem, vi ønsker at beregne.

n: int(valgfrit)

Denne parameter definerer antallet af gange, værdierne afviges. Hvis den er 0, returneres kildearrayet, som det er.

tilføje, forsætte: array_like (valgfrit)

Denne parameter definerer en ndarray, som definerer de værdier, der skal tilføjes eller foranstilles til 'x' , langs aksen før beregning af forskelle.

Vender tilbage:

Denne funktion returnerer et ndarray indeholdende n'te forskelle med samme form som 'x,' og dimensionen er mindre fra n . Typen af ​​forskel mellem to elementer af 'x' er typen af ​​output.

c program streng array

Eksempel 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 ovenstående kode

konverter streng til char
  • Vi har importeret numpy med alias navn np.
  • Vi har lavet et array 'arr' ved brug af np.array() funktion med dtype 'uint8' .
  • Vi har erklæret variablen 'b' og tildelt den returnerede værdi af np.diff() fungere.
  • Vi har passeret rækken 'arr' i funktionen.
  • Til sidst forsøgte vi at udskrive værdien af 'b' og forskellen mellem elementerne.

I outputtet viser det de diskrete forskelle mellem elementer.

Eksempel 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]) 

Eksempel 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]]) 

Eksempel 4:

 import numpy as np x = np.arange('1997-10-01', '1997-12-16', dtype=np.datetime64) y = np.diff(x) y 

Produktion:

java matematik klasse
 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 ovenstående kode

  • Vi har importeret numpy med alias navn np.
  • Vi har lavet en række datoer 'x' ved brug af np.arange() funktion med dtype 'datetime64' .
  • Vi har erklæret variablen 'og' og tildelt den returnerede værdi af np.diff() fungere.
  • Vi har passeret rækken 'x' i funktionen.
  • Til sidst forsøgte vi at udskrive værdien af 'og' .

I outputtet viser det de diskrete forskelle mellem datoer.