如何使用numpy.gradient()处理坐标数组？非规则采样点求偏导

针对你这种无序且含重复坐标（但采样点唯一）的1D数组数据，以下几种方法可以有效计算每个点的∂u/∂x和∂u/∂y偏导数：

方法1：网格化插值后用numpy.gradient计算 #

numpy.gradient本质适合规则网格数据，因此先将不规则点插值为规则网格，求导后再映射回原采样点：

import numpy as np
from scipy.interpolate import griddata

# 假设输入的三个1D数组
x = np.array([...])
y = np.array([...])
u = np.array([...])

# 1. 生成规则网格（密度可按需调整）
x_min, x_max = x.min(), x.max()
y_min, y_max = y.min(), y.max()
nx, ny = 100, 100  # 网格分辨率
x_grid = np.linspace(x_min, x_max, nx)
y_grid = np.linspace(y_min, y_max, ny)
X_grid, Y_grid = np.meshgrid(x_grid, y_grid)

# 2. 将u值插值到规则网格
u_grid = griddata((x, y), u, (X_grid, Y_grid), method='cubic')  # 可选linear/nearest/cubic

# 3. 计算网格上的偏导数
dx = x_grid[1] - x_grid[0]
dy = y_grid[1] - y_grid[0]
du_dx_grid, du_dy_grid = np.gradient(u_grid, dx, dy)

# 4. 将导数插值回原采样点
du_dx = griddata((X_grid.flatten(), Y_grid.flatten()), du_dx_grid.flatten(), (x, y), method='cubic')
du_dy = griddata((X_grid.flatten(), Y_grid.flatten()), du_dy_grid.flatten(), (x, y), method='cubic')

说明：该方法适合数据分布较均匀的场景，cubic插值精度较高，若存在数据奇点可切换为linear或nearest。

方法2：局部多项式拟合求导 #

对每个点选取周围k个最近邻，拟合二维多项式后直接求导：

import numpy as np
from scipy.spatial import cKDTree

def local_poly_derivative(x, y, u, k=10):
    tree = cKDTree(np.vstack((x, y)).T)
    du_dx = np.zeros_like(u)
    du_dy = np.zeros_like(u)
    
    for i in range(len(x)):
        # 查找当前点的k个最近邻
        _, indices = tree.query([x[i], y[i]], k=k)
        x_neigh, y_neigh, u_neigh = x[indices], y[indices], u[indices]
        
        # 拟合一次多项式：u = a0 + a1*x + a2*y
        A = np.vstack((np.ones(k), x_neigh, y_neigh)).T
        coeffs, _, _, _ = np.linalg.lstsq(A, u_neigh, rcond=None)
        
        # 提取偏导数
        du_dx[i] = coeffs[1]
        du_dy[i] = coeffs[2]
    
    return du_dx, du_dy

# 使用示例
du_dx, du_dy = local_poly_derivative(x, y, u, k=15)

说明：k值需根据数据密度调整——k过小易受噪声影响，k过大可能过度平滑。若需更高精度，可加入x²、y²、xy项拟合二次多项式后求导。

方法3：径向基函数(RBF)插值直接求导 #

Scipy的RBF插值支持直接计算导数，适配不规则采样点：

import numpy as np
from scipy.interpolate import Rbf

# 构建RBF插值器
rbf = Rbf(x, y, u, function='multiquadric')

# 计算每个点的偏导数
du_dx = rbf(x, y, dx=1)
du_dy = rbf(x, y, dy=1)

说明：function参数可选multiquadric、gaussian等，不同函数适配不同数据特性，可根据实际效果调整。

关于numpy.gradient的补充说明 #

numpy.gradient的varargs参数仅适用于规则网格的坐标序列，要求数据按网格顺序排列（如固定x遍历y）。你的数据是无序1D数组，直接调用会导致计算错误，必须先通过插值转为规则网格（即方法1的思路）才能使用该函数。

内容的提问来源于stack exchange，提问作者Turbulent Flow