间隔超过一个元素的数组自定义梯度计算实现问询

当然可以实现这种自定义的梯度计算！咱们先把你的需求明确梳理清楚，再用NumPy一步步完成代码实现：

需求拆解 #

• 边界点：采用和np.gradient一致的单侧差分方式
• 紧邻边界的点：采用np.gradient针对内部点的中心差分方式
• 中间内部点：使用间隔两个元素的差分公式：(f[i+2] - f[i-2])/4（注：根据你给出的预期结果，这里应该是你笔误写反了分子顺序，实际计算符合这个公式）

示例输入与预期输出 #

输入数组：

import numpy as np
f = np.array([4,5,8,1,5,3,2,5])

预期结果数组：

f_res = np.array([1,2,0.25,-0.5,-1.5,1,1,3])

代码实现 #

import numpy as np

# 输入数组
f = np.array([4,5,8,1,5,3,2,5])
n = len(f)
# 初始化结果数组，确保浮点类型
f_res = np.zeros_like(f, dtype=np.float64)

# 处理边界点（单侧差分，和np.gradient逻辑一致）
f_res[0] = f[1] - f[0]
f_res[-1] = f[-1] - f[-2]

# 处理紧邻边界的点（中心差分，和np.gradient内部点逻辑一致）
f_res[1] = (f[2] - f[0]) / 2
f_res[-2] = (f[-1] - f[-3]) / 2

# 处理中间内部点（间隔两个元素的差分）
for i in range(2, n-2):
    f_res[i] = (f[i+2] - f[i-2]) / 4

# 验证结果
print(f_res)
# 输出：[ 1.    2.    0.25 -0.5  -1.5   1.    1.    3.  ]

代码说明 #

1. 边界处理：第一个点取右侧相邻元素与自身的差，最后一个点取自身与左侧相邻元素的差，和np.gradient的单侧差分逻辑完全匹配
2. 紧邻边界点处理：采用跨度为2的中心差分，比如索引1的点用索引2和0的元素差除以2，和np.gradient对普通内部点的计算逻辑一致
3. 中间点处理：针对索引2到5的元素，使用间隔两个位置的元素进行差分，除以4是因为两个点之间的步长总和是4（从i-2到i+2共4个单位步长）

备注：内容来源于stack exchange，提问作者s28