numpy的梯度函数np.gradient(f)

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。