在python中实现数据日志的派生

Question

我们有两个数据列表（向量）y和{}，我们可以想象x是时间步（0,1,2，…）和{}一些系统属性，每个值都是{} 我对计算y的log的导数感兴趣，问题是如何在Python中执行这样的计算？ 我们可以从使用numpy来计算日志：logy = np.log(y)和{}那么我们用什么方法来区分dlog（y）/dlog（x）？在

想到的一个选项是按以下方式使用np.gradient()：

deriv = np.gradient(logy,np.gradient(logx)).

• 这样的计算有效吗？在
• 在不使用np.gradient的情况下，是否有更好的（或等效的）替代方案？在

Answer 1

在查看了np.gradienthere的源代码并环顾四周，您可以看到它在numpy版本1.14中发生了变化，因此文档发生了变化。在

我有1.11版本。所以我认为梯度现在被定义为def gradient(y, x) -> dy/dx如果isinstance(x, np.ndarray)，但在版本1.11中没有。我认为，做np.gradient(y, np.array(...))实际上是一种未定义的行为！在

但是，np.gradient(y) / np.gradient(x)适用于所有numpy版本。用那个！在

证明：

import numpy as np
import matplotlib.pyplot as plt
x = np.sort(np.random.random(10000)) * 2 * np.pi
y = np.sin(x)
dy_dx = np.gradient(y) / np.gradient(x)
plt.plot(x, dy_dx)
plt.show()

看起来很像一个cos波