För att beräkningen av diff "ska utföras exakt behöver du åtminstone
en dimension av sekventiella data . Denna sekventiellhet är nyckeln.
Här är varför och hur det hänför sig till olika datatyper:
* endimensionell sekvens: Detta är det mest enkla fallet. Tänk på en lista med siffror (t.ex. aktiekurser över tid, sensoravläsningar). Funktionen "Diff" beräknar skillnaden mellan på varandra följande element i sekvensen. Detta belyser förändringar eller förändringsgrader.
* Multidimensionell matris (matriser, tensorer): Även om du har en flerdimensionell matris fungerar funktionen "diff" * längs * en specifik axel eller dimension. Därför behöver du minst en dimension för att ha en meningsfull sekventiell ordning. Till exempel:
* Bilddata: Om du har en bild (en 2D -uppsättning pixelvärden) kan du beräkna "diff" horisontellt (skillnaden mellan angränsande pixlar i rad) eller vertikalt (skillnad mellan angränsande pixlar i en kolumn). Varje rad eller kolumn representerar en sekvens.
* Tidsserier med flera funktioner: Du kan ha data med tidsstämplar och flera mätningar (t.ex. temperatur, tryck, fuktighet). Du kan beräkna "diff" för varje funktion över tid (längs tidsdimensionen).
* Varför sekventiellhet är avgörande: Kärnidén med "diff" är att hitta skillnaden mellan * beställda * element. Om det inte finns någon inneboende ordning eller sekvens blir "skillnaden" meningslös i samband med förändringsanalys.
Sammanfattningsvis:
Minimikravet är en endimensionell sekvens eller, i fallet med flerdimensionella data, en tydligt definierad dimension längs vilken "diff" ska beräknas, vilket innebär en sekvens inom den dimensionen. Utan sekventiell ordning är resultatet bara en godtycklig uppsättning skillnader och inte representativ för en förändring av förändringar eller progression.
