使用numpy.diff计算导数出现ValueError形状不匹配如何解决

• x的形状定义不匹配：你初始化x时使用np.zeros((N,1))，生成的是二维列向量，形状为(10000, 1)；而a、b都是一维数组，形状为(10000,)，二者维度不一致。
• np.diff的默认差分维度导致形状异常：np.diff默认对数组的最后一个维度做差分计算，对形状为(10000,1)的y做差分时，最后一个维度长度为1，差分后长度变为1-1=0，所以np.diff(y)输出形状为(10000, 0)；而np.diff(b)是对一维数组b差分，输出形状为(9999,)，两个完全不兼容的形状做除法运算时无法触发numpy广播规则，就抛出了对应报错。

根据你的使用场景，有两种调整方案：

方案1：修改x为一维数组（最推荐） #

直接把x的初始化形状改为和a、b一致的一维即可，同时可以替换低效的for循环为numpy向量化运算，代码修改如下：

N=int(1e4)
a=np.ones(N)
b=9*np.ones(N)

# 替换原来的x初始化和for循环，直接向量化计算
x = a / b # 形状为(10000,)，和a、b完全匹配
y=3*x - 1

doty=np.diff(y)/np.diff(b) # 两个差分结果都是(9999,)形状，运算正常

方案2：保持x为二维，指定差分维度 #

如果你确实需要x是二维列向量，就手动指定np.diff的作用维度，同时调整b差分后的形状匹配广播规则：

N=int(1e4)
a=np.ones(N)
b=9*np.ones(N)

x=np.zeros((N,1)) # 保持二维列向量形状
for j in range(N):
    x[j]=a[j]/b[j]
y=3*x - 1

# 指定对行维度做差分，同时把b的差分结果转为二维列向量匹配形状
doty=np.diff(y, axis=0)/np.diff(b)[:, None]

内容的提问来源于stack exchange，提问作者nuwe