优先用np.diff，它直接支持多维、多阶差分且可读性强；手动切片x[1:]-x[:-1]虽等价但易错、不支持高阶和轴向控制，仅在极致性能优化且确认为瓶颈时考虑。
差分计算该用 np.diff 还是手动切片？
np.diff 是 NumPy 中最直接的差分工具，它对数组沿指定轴计算一阶差分（即后项减前项），返回长度减 1 的新数组。手动用 x[1:] - x[:-1] 虽然等价，但可读性差、易出错，且不支持高维或多阶差分。除非你在做性能极致优化（且已确认这是瓶颈），否则优先用 np.diff。
常见错误：把 np.diff 当成“去趋势”万能函数——它只做数值差，不处理缺失值、时间非均匀采样或单位转换。如果你的原始数据是 datetime64 类型，np.diff 返回的是 timedelta64，不是秒数，需显式转换单位。
- 一阶差分：
np.diff(x) - 二阶差分：
np.diff(x, n=2) - 沿第 1 轴（列）差分二维时间序列：
np.diff(x, axis=1) - 若
x是datetime64[ns]，想转为秒差：np.diff(x).astype('timedelta64[s]').astype(int)
如何安全处理含 NaN 的时间序列？
np.diff 对 NaN 没有特殊处理：只要输入中某处是 NaN，其后一个差分结果大概率也是 NaN（因为 NaN - anything == NaN）。这会导致差分后有效数据进一步萎缩，尤其在首尾出现 NaN 时容易误判。
推荐做法不是先插值再差分（会引入虚假平滑），而是用布尔索引明确保留“前后都非空”的位置：
立即学习“Python免费学习笔记（深入）”；
valid_mask = ~np.isnan(x[:-1]) & ~np.isnan(x[1:]) diff_result = np.diff(x)[valid_mask]
如果必须插值，仅对原始序列用 pd.Series(x).interpolate().values（需 pandas），不要在差分后补值——那等于伪造变化率。
差分后维度变小，怎么对齐原始时间戳？
差分结果比原序列少一个元素，因此不能直接和原始 timestamps 数组画图或建模。正确对齐方式取决于业务含义：
- 若差分代表“区间变化量”（如日度销售额差 = 当日 - 前一日），则差分结果应对应**后一个时间点**，即用
timestamps[1:] - 若你坚持用“中点时间”，且采样均匀，可用
(timestamps[:-1] + timestamps[1:]) / 2（仅对datetime64数值运算有效，注意单位） - 用
pandas.Series.diff()会自动保留原索引并置首行为NaN，适合后续对齐，但底层仍是np.diff逻辑
别用 np.insert(diff_result, 0, np.nan) 强行拉长——这会让第一个差分值失去物理意义，且破坏向量化连续性。
为什么有时 np.diff 结果全是零？
最常见原因是输入数组 dtype 不匹配。例如从 CSV 读入的整数时间戳（如 Unix 秒）被默认解析为 int32，差分时溢出变负数再被截断；或浮点数精度丢失导致相邻值看似相等（如 1.0000000000000002 == 1.0 在 float32 下为真）。
排查步骤：
- 检查 dtype：
x.dtype，优先转为float64或int64再差分 - 打印前 5 个原始值和差分值：
print(x[:5]); print(np.diff(x)[:5]) - 确认是否误用了累计值（如
cumsum后又差分）——这会还原原序列，但若原序列本身平坦，结果自然为零
差分不是黑箱操作，它的输出永远受限于输入的数值质量和语义一致性。哪怕代码跑通，也要盯着前几行结果看一眼。
