numpy.histogram#
- numpy.histogram(a, bins=10, range=None, density=None, weights=None)[源代码]#
计算数据集的直方图。
- 参数:
- a类数组
输入数据。直方图在扁平化的数组上计算。
- binsint 或标量序列或 str，可选
如果 bins 是一个 int，它定义了给定范围内的等宽 bin 数量（默认为 10）。如果 bins 是一个序列，它定义了一个单调递增的 bin 边缘数组，包括最右边的边缘，允许非均匀的 bin 宽度。
如果 bins 是一个字符串，它定义了用于计算最佳 bin 宽度的方法，该方法由
histogram_bin_edges定义。- range(float, float)，可选
bin 的下限和上限。如果未提供，则范围简单地是
(a.min(), a.max())。超出范围的值将被忽略。范围的第一个元素必须小于或等于第二个。 range 也会影响自动 bin 计算。虽然 bin 宽度是根据 range 内的实际数据计算为最优的，但 bin 计数将填充整个范围，包括不包含数据的部分。- weights类数组，可选
与 a 形状相同的权重数组。 a 中的每个值仅贡献其关联的权重到 bin 计数中（而不是 1）。如果 density 为 True，则权重会归一化，使得密度在整个范围上的积分保持为 1。请注意，weights 的
dtype也将成为返回的累加器 (hist) 的dtype，因此它必须足够大以容纳累加值。- densitybool，可选
如果为
False，结果将包含每个 bin 中的样本数量。如果为True，结果是 bin 处概率 *密度* 函数的值，经过归一化，使得在整个范围上的 *积分* 为 1。请注意，直方图值的总和不会等于 1，除非选择宽度为 1 的 bin；它不是概率 *质量* 函数。
- 返回:
- hist数组
直方图的值。关于可能语义的描述，请参见 density 和 weights。如果给定 weights，
hist.dtype将取自 weights。- bin_edgesdtype 为 float 的数组
返回 bin 边缘
(length(hist)+1)。
注意
除了最后一个（最右边）bin，所有 bin 都是半开的。换句话说，如果 bins 是
[1, 2, 3, 4]
那么第一个 bin 是
[1, 2)（包含 1，但不包含 2），第二个是[2, 3)。然而，最后一个 bin 是[3, 4]，它 *包含* 4。示例
>>> import numpy as np >>> np.histogram([1, 2, 1], bins=[0, 1, 2, 3]) (array([0, 2, 1]), array([0, 1, 2, 3])) >>> np.histogram(np.arange(4), bins=np.arange(5), density=True) (array([0.25, 0.25, 0.25, 0.25]), array([0, 1, 2, 3, 4])) >>> np.histogram([[1, 2, 1], [1, 0, 1]], bins=[0,1,2,3]) (array([1, 4, 1]), array([0, 1, 2, 3]))
>>> a = np.arange(5) >>> hist, bin_edges = np.histogram(a, density=True) >>> hist array([0.5, 0. , 0.5, 0. , 0. , 0.5, 0. , 0.5, 0. , 0.5]) >>> hist.sum() 2.4999999999999996 >>> np.sum(hist * np.diff(bin_edges)) 1.0
自动 Bin 选择方法示例，使用具有 2000 个点的双峰随机数据。
import matplotlib.pyplot as plt import numpy as np rng = np.random.RandomState(10) # deterministic random data a = np.hstack((rng.normal(size=1000), rng.normal(loc=5, scale=2, size=1000))) plt.hist(a, bins='auto') # arguments are passed to np.histogram plt.title("Histogram with 'auto' bins") plt.show()
