numpy.digitize#
- numpy.digitize(x, bins, right=False)[source]#
返回输入数组中每个值所属的 bin 的索引。
right
bin 的顺序
返回的索引 i 满足
False递增
bins[i-1] <= x < bins[i]True递增
bins[i-1] < x <= bins[i]False递减
bins[i-1] > x >= bins[i]True递减
bins[i-1] >= x > bins[i]如果 x 中的值超出 bins 的边界，则会根据情况返回 0 或
len(bins)。- 参数:
- xarray_like
要进行分箱的输入数组。在 NumPy 1.10.0 之前，此数组必须是 1 维的，但现在可以具有任何形状。
- binsarray_like
bin 数组。它必须是 1 维且单调的。
- rightbool, optional
指示区间是否包含右侧或左侧 bin 边缘。默认行为是 (right==False)，表示区间不包含右边缘。在这种情况下，左侧 bin 端是开放的，即，对于单调递增的 bin，默认行为是 bins[i-1] <= x < bins[i]。
- 返回:
- indicesndarray of ints
输出索引数组，形状与 x 相同。
- 引发:
- ValueError
如果 bins 不是单调的。
- TypeError
如果输入类型为复数。
另请参阅
备注
如果 x 中的值超出 bin 范围，则尝试使用
digitize返回的索引来索引 bins 将导致 IndexError。1.10.0 版新增。
numpy.digitize是通过numpy.searchsorted实现的。这意味着使用二分查找来对值进行分箱，这对于大量 bin 的情况比之前的线性查找具有更好的扩展性。它还取消了输入数组必须是 1 维的要求。对于单调递增的 bins，以下是等效的
np.digitize(x, bins, right=True) np.searchsorted(bins, x, side='left')
请注意，由于参数的顺序颠倒了，所以 `side` 参数也必须颠倒。调用
searchsorted略快，因为它不执行任何单调性检查。或许更重要的是，它支持所有数据类型。示例
>>> import numpy as np >>> x = np.array([0.2, 6.4, 3.0, 1.6]) >>> bins = np.array([0.0, 1.0, 2.5, 4.0, 10.0]) >>> inds = np.digitize(x, bins) >>> inds array([1, 4, 3, 2]) >>> for n in range(x.size): ... print(bins[inds[n]-1], "<=", x[n], "<", bins[inds[n]]) ... 0.0 <= 0.2 < 1.0 4.0 <= 6.4 < 10.0 2.5 <= 3.0 < 4.0 1.0 <= 1.6 < 2.5
>>> x = np.array([1.2, 10.0, 12.4, 15.5, 20.]) >>> bins = np.array([0, 5, 10, 15, 20]) >>> np.digitize(x,bins,right=True) array([1, 2, 3, 4, 4]) >>> np.digitize(x,bins,right=False) array([1, 3, 3, 4, 5])