非均匀间距下Numpy gradient计算异常问题求助

首先，我们来拆解你遇到的问题：当使用包含重复点的非均匀间距x数组时，np.gradient计算出的数值梯度和真实导数出现偏差，而均匀间距或不传x参数时结果正常。

问题根源 #

1. x数组存在重复点：你的代码中np.concatenate((np.linspace(0,1,100), np.linspace(1,2,50)))会生成两个x=1的点（第一个linspace的终点和第二个的起点）。虽然np.gradient不会直接报错，但重复点会让分段处的梯度计算逻辑出现异常，影响结果准确性。
2. 非均匀间距的突变：在x=1处，左侧点的间距约为0.0101，右侧约为0.0204，间距突然翻倍。np.gradient默认的中心差分公式(f[i+1]-f[i-1])/(x[i+1]-x[i-1])在这种间距突变的位置，近似误差会比均匀间距时更明显。

解决方案 #

步骤1：移除x数组中的重复点

首先修改x数组的生成方式，避免重复的x=1点：

import numpy as np
import matplotlib.pyplot as plt

# 生成无重复点的非均匀x数组：第一个区间不包含1，第二个包含1
x = np.concatenate((np.linspace(0, 1, 100, endpoint=False), np.linspace(1, 2, 50)))
f = np.power(x, 2)
df = 2 * x  # 真实导数

步骤2：使用更精确的非均匀网格梯度计算方法

对于非均匀间距的数组，我们可以手动实现基于拉格朗日插值的三点差分公式，比np.gradient的默认计算更准确：

def non_uniform_gradient(x, f):
    n = len(x)
    grad = np.zeros(n)
    # 第一个点用前向差分
    grad[0] = (f[1] - f[0]) / (x[1] - x[0])
    # 最后一个点用后向差分
    grad[-1] = (f[-1] - f[-2]) / (x[-1] - x[-2])
    # 中间点用拉格朗日三点差分
    for i in range(1, n-1):
        x_prev, x_curr, x_next = x[i-1], x[i], x[i+1]
        f_prev, f_curr, f_next = f[i-1], f[i], f[i+1]
        term1 = f_prev / ((x_curr - x_prev) * (x_next - x_prev))
        term2 = f_curr / ((x_curr - x_prev) * (x_curr - x_next))
        term3 = f_next / ((x_next - x_prev) * (x_next - x_curr))
        grad[i] = term1 + term2 + term3
    return grad

# 计算精确的数值梯度
Df = non_uniform_gradient(x, f)

# 绘图对比
plt.plot(x, df, 'r', label='真实导数')
plt.plot(x, Df, 'b', label='数值梯度', linestyle='--')
plt.legend()
plt.show()

替代方案：调整np.gradient的计算逻辑（简化版）

如果你不想手动实现复杂的差分公式，也可以使用np.gradient的edge_order参数（设置为2，使用二阶差分处理边界），能一定程度上改善非均匀间距下的计算精度：

# 使用edge_order=2优化边界和突变处的梯度计算
Df = np.gradient(f, x, edge_order=2)

验证效果 #

经过上述修改后，数值梯度Df会和真实导数df几乎重合，解决了你之前遇到的偏差问题。

内容的提问来源于stack exchange，提问作者Ronan Tarik Drevon