Функции для вычисления 3D градиента с неравноотстоящими местами образца

Question

У меня есть экспериментальные наблюдения в объеме:

import numpy as np 

# observations are not uniformly spaced 
x = np.random.normal(0, 1, 10) 
y = np.random.normal(5, 2, 10) 
z = np.random.normal(10, 3, 10) 
xx, yy, zz = np.meshgrid(x, y, z, indexing='ij') 

# fake temperatures at those coords 
tt = xx*2 + yy*2 + zz*2 

# sample distances 
dx = np.diff(x) 
dy = np.diff(y) 
dz = np.diff(z) 

grad = np.gradient(tt, [dx, dy, dz]) # returns error 

Это дает мне ошибку:

ValueError: operands could not be broadcast together with shapes (10,10,10) (3,9) (10,10,10) .

EDIT: В соответствии с @ сойкой-kominek в комментарии:

np.gradient won't work for you, it simply doesn't handle unevenly sampled data.

Я обновил вопрос. Есть ли какая-либо функция, которая может выполнять мои вычисления?

Answer 1

Необходимые dx ... для передачи np.gradient не являются сетками различий, а всего лишь одним скаляром. Так выглядит grad = np.gradient(tt,0.1,0.1,0.1).

Answer 2

Две вещи, которые следует обратить внимание: во-первых, скаляры - это одиночные значения, а не массивы. Во-вторых, сигналом функции является numpy.gradient(f, *varargs, **kwargs). Обратите внимание на * до varargs. Это означает, что если varargs есть список, вы проходите *varargs. Или вы можете просто предоставить элементы varargs в качестве отдельных аргументов.

Так, np.gradient хочет одно значение для расстояния по каждому измерению, как:

np.gradient(tt, np.diff(x)[0], np.diff(y)[0], np.diff(z)[0]) 

или:

distances = [np.diff(x)[0], np.diff(y)[0], np.diff(z)[0]] 
np.gradient(tt, *distances)