numpy.gradient用于计算离散数组的数值梯度，默认中心差分（边界用单侧差分），结果与输入同形；支持多维、指定步长和轴向，但仅适用于已知数值点，不接受函数表达式。
用 numpy.gradient 计算离散数组的数值梯度
numpy.gradient 是 NumPy 中最直接、最常用的数值梯度计算函数，适用于一维到多维规则网格上的数组。它默认使用中心差分（两端用前/后向差分），结果与输入数组形状一致。
常见错误是传入非等距坐标或误以为它能处理任意函数表达式——它只对已知数值点有效，不接受 callable 或符号表达式。
- 一维场景：给定
y = np.array([0, 1, 4, 9, 16])（即 x² 在 x=[0,1,2,3,4] 的取值），调用np.gradient(y)得到近似导数 [1., 2., 4., 6., 7.] - 指定步长：若 x 坐标非单位间隔，比如
x = np.array([0, 0.5, 1.5, 2.5, 4.0])，应写成np.gradient(y, x)，否则默认按索引差 1 计算，结果严重失真 - 二维数组：对图像灰度矩阵
img，np.gradient(img)返回两个数组，分别对应 y 和 x 方向的梯度（注意顺序：先 axis=0，再 axis=1）
手动实现前向/中心差分时要注意步长和边界
当需要控制差分方式（如强制前向差分）、或处理不规则采样点时，手写更可靠。但容易忽略两点：除以真实 Δx 而非 Δindex，以及边界点如何处理。
例如，对函数 f(x)=sin(x) 在 x=[0, 0.1, 0.3, 0.6, 1.0] 上采样：
立即学习“Python免费学习笔记（深入）”；
import numpy as np x = np.array([0, 0.1, 0.3, 0.6, 1.0]) y = np.sin(x) # 错误：直接 np.diff(y) / np.diff(np.arange(len(y))) # 正确：必须用真实的 x 间距 dx = np.diff(x) dy_dx = np.diff(y) / dx # shape (4,), 对应区间中点导数
若需与原数组等长，可补一个值（如重复末值）或改用中心差分插值，但无通用最优法——得看下游用途是否容忍边界偏移。
对比 scipy.misc.derivative 和 numpy.gradient 的适用场景
scipy.misc.derivative（注意：SciPy 1.10+ 已移至 scipy.optimize.approx_fprime 或推荐用 scipy.misc.derivative 的替代接口）面向的是「给定函数 f 和某点 x₀，求该点导数值」；而 numpy.gradient 面向的是「给定一批离散 y 值，求每个点附近的变化率」。
- 如果你有闭式函数（如
lambda x: x**2 * np.exp(-x)），且只需在几个特定点求导，用scipy.misc.derivative(f, x0, dx=1e-6) - 如果你读取了传感器时间序列
data.npy，想画出整个信号的瞬时变化率曲线，必须用numpy.gradient，不能先造函数再调用 scipy - 性能上：
numpy.gradient是纯向量化 C 实现，比反复调用scipy.misc.derivative快 100 倍以上
高阶导数与精度陷阱
numpy.gradient 不支持直接计算二阶导数；多次调用会快速放大噪声和边界误差。比如对含噪声的信号做两次 np.gradient，高频扰动会被显著增强。
真正需要二阶导时，更稳妥的做法是：先用平滑（如 scipy.ndimage.gaussian_filter1d）再求梯度，或改用拟合后求导（如用 numpy.polynomial.Polynomial.fit 拟合三阶多项式，再调用 .deriv(2)）。
另外，numpy.gradient 默认用一阶精度差分；若数据质量高且网格均匀，可自己用五点 stencil 手写二阶精度中心差分，但多数场景没必要——先确认噪声是不是主要误差源。
