numpy.histogram_bin_edges#

numpy.histogram_bin_edges(a, bins=10, range=None, weights=None)[source]#

计算 histogram 函数使用的 bin 边界值的函数。

参数：

aarray_like

输入数据。直方图是根据扁平化的数组计算的。

binsint 或标量序列或 str，可选

如果 bins 是一个整数，它定义了给定范围内的等宽 bin 的数量（默认为 10）。如果 bins 是一个序列，它定义了 bin 边界，包括最右边的边界，允许非均匀 bin 宽度。

如果 bins 是以下列表中的字符串，histogram_bin_edges 将使用所选方法根据落在请求范围内的数据计算最佳 bin 宽度，并计算 bin 的数量（有关估计器的更多详细信息，请参阅“注释”部分）。虽然 bin 宽度将针对范围内的实际数据进行优化，但 bin 数量将被计算以填充整个范围，包括空的部分。对于可视化，建议使用“auto”选项。加权数据不支持自动 bin 大小选择。

‘auto’: “sturges”和“fd”估计器之间的最小 bin 宽度。提供良好的全方位性能。
‘fd’（Freedman Diaconis 估计器）: 稳健的（对异常值具有弹性）估计器，它考虑了数据变异性和数据大小。
‘doane’: Sturges 估计器的改进版本，在非正态数据集上效果更好。
‘scott’: 不太稳健的估计器，它考虑了数据变异性和数据大小。
‘stone’: 基于留一法交叉验证估计的积分平方误差的估计器。可以被认为是 Scott 规则的推广。
‘rice’: 估计器不考虑变异性，只考虑数据大小。通常会高估所需的 bin 数量。
‘sturges’: R 的默认方法，只考虑数据大小。仅适用于高斯数据，并且对于大型非高斯数据集会低估 bin 的数量。
‘sqrt’: 平方根（数据大小）估计器，Excel 和其他程序因其速度和简单性而使用它。

range(float, float)，可选

bin 的下限和上限范围。如果没有提供，范围只是 (a.min(), a.max())。范围外的值将被忽略。范围的第一个元素必须小于或等于第二个。 range 也影响自动 bin 计算。虽然 bin 宽度是根据 range 内的实际数据计算出的最佳值，但 bin 计数将填充整个范围，包括不包含数据的部分。

weightsarray_like，可选

权重数组，与 a 的形状相同。 a 中的每个值仅贡献其关联的权重到 bin 计数（而不是 1）。目前任何 bin 估计器都没有使用它，但将来可能会使用。

返回值：

bin_edgesdtype 为 float 的数组: 传递给 histogram 的边界值

另请参阅

histogram

注释

估计最佳 bin 数量的方法在文献中得到了很好的论证，并受到了 R 提供的直方图可视化选择的启发。请注意，使 bin 数量与 \(n^{1/3}\) 成比例是渐近最优的，这就是它出现在大多数估计器中的原因。这些只是提供良好 bin 数量起点的插件方法。在下式中，\(h\) 是 bin 宽度，\(n_h\) 是 bin 的数量。所有计算 bin 计数的估计器都使用数据的 ptp 重新转换为 bin 宽度。最终的 bin 计数从 np.round(np.ceil(range / h)) 获得。最终的 bin 宽度通常小于下面估计器返回的值。

‘auto’（“sturges”和“fd”估计器的最小 bin 宽度）: 一种获得良好值的折衷方案。对于小型数据集，通常会选择 Sturges 值，而较大的数据集通常默认为 FD。避免了 FD 和 Sturges 分别对于小型和大型数据集过于保守的行为。转换点通常为 \(a.size \approx 1000\)。
‘fd’（Freedman Diaconis 估计器）: \[h = 2 \frac{IQR}{n^{1/3}}\]

bin 宽度与四分位数间距 (IQR) 成比例，与 a.size 的立方根成反比。对于小型数据集可能过于保守，但对于大型数据集相当好。IQR 对异常值非常稳健。
‘scott’: \[h = \sigma \sqrt[3]{\frac{24 \sqrt{\pi}}{n}}\]

bin 宽度与数据的标准差成比例，与 x.size 的立方根成反比。对于小型数据集可能过于保守，但对于大型数据集相当好。标准差对异常值不是很稳健。在没有异常值的情况下，值与 Freedman-Diaconis 估计器非常相似。
‘rice’: \[n_h = 2n^{1/3}\]

bin 的数量仅与 a.size 的立方根成比例。它往往会高估 bin 的数量，并且不考虑数据变异性。
‘sturges’: \[n_h = \log _{2}(n) + 1\]

bin 的数量是 a.size 的以 2 为底的对数。该估计器假设数据的正态性，对于较大、非正态的数据集过于保守。这是 R 的 hist 方法中的默认方法。
‘doane’: \[ \begin{align}\begin{aligned}n_h = 1 + \log_{2}(n) + \log_{2}\left(1 + \frac{|g_1|}{\sigma_{g_1}}\right)\\g_1 = mean\left[\left(\frac{x - \mu}{\sigma}\right)^3\right]\\\sigma_{g_1} = \sqrt{\frac{6(n - 2)}{(n + 1)(n + 3)}}\end{aligned}\end{align} \]

Sturges 公式的改进版本，可以为非正态数据集产生更好的估计值。该估计器试图解释数据的偏度。
‘sqrt’: \[n_h = \sqrt n\]

最简单、最快的估计器。只考虑数据大小。

此外，如果数据是整数 dtype，则 bin 宽度永远不会小于 1。

示例

>>> import numpy as np
>>> arr = np.array([0, 0, 0, 1, 2, 3, 3, 4, 5])
>>> np.histogram_bin_edges(arr, bins='auto', range=(0, 1))
array([0.  , 0.25, 0.5 , 0.75, 1.  ])
>>> np.histogram_bin_edges(arr, bins=2)
array([0. , 2.5, 5. ])

为了与直方图保持一致，预先计算的 bin 数组将直接通过而不会被修改

>>> np.histogram_bin_edges(arr, [1, 2])
array([1, 2])

此函数允许计算一组 bin，并在多个直方图中重复使用

>>> shared_bins = np.histogram_bin_edges(arr, bins='auto')
>>> shared_bins
array([0., 1., 2., 3., 4., 5.])

>>> group_id = np.array([0, 1, 1, 0, 1, 1, 0, 1, 1])
>>> hist_0, _ = np.histogram(arr[group_id == 0], bins=shared_bins)
>>> hist_1, _ = np.histogram(arr[group_id == 1], bins=shared_bins)

>>> hist_0; hist_1
array([1, 1, 0, 1, 0])
array([2, 0, 1, 1, 2])

这比对每个直方图使用单独的区间更容易得到可比较的结果。

>>> hist_0, bins_0 = np.histogram(arr[group_id == 0], bins='auto')
>>> hist_1, bins_1 = np.histogram(arr[group_id == 1], bins='auto')
>>> hist_0; hist_1
array([1, 1, 1])
array([2, 1, 1, 2])
>>> bins_0; bins_1
array([0., 1., 2., 3.])
array([0.  , 1.25, 2.5 , 3.75, 5.  ])