Python 中的 numpy.histogram()

Python 的 numpy 模块提供了一个名为 numpy.histogram() 的函数。此函数表示与一组值范围进行比较的数值的频率。此函数类似于 matplotlib.pyplot 的 hist() 函数。

简单来说，此函数用于计算一组数据的直方图。

语法

参数

x: array_like

此参数定义了计算直方图的扁平化数组。

bins：int 或序列的 str 或标量（可选）

如果此参数定义为整数，则在给定范围内，它定义了等宽 bin 的数量。否则，定义了单调递增的 bin 边缘数组。它还包括最右边的边缘，这允许非均匀的 bin 宽度。最新版本的 numpy 允许我们将 bin 参数设置为字符串，这定义了一种计算最佳 bin 宽度的方法。

range：(float, float)（可选）

此参数定义 bin 的上下范围。默认情况下，范围为 (x.min(), x.max())。将忽略范围之外的值。第一个元素的范围应等于或小于第二个元素。

normed：bool（可选）

此参数与密度参数相同，但对于不均匀的 bin 宽度，它可能会给出错误的输出。

weights：array_like（可选）

此参数定义一个数组，该数组包含权重，并且与 'x' 具有相同的形状。

density：bool（可选）

如果将其设置为 True，则将产生每个 bin 中样本的数量。如果其值为 False，则密度函数将产生 bin 中概率密度函数的值。

返回值

hist：数组

密度函数返回直方图的值。

edge_bin：float dtype 的数组

此函数返回 bin 边缘 (length(hist+1))。

示例 1

输出

(array([0, 1, 1], dtype=int64), array([0, 1, 2, 3]))

在上面的代码中

• 我们使用别名 np 导入了 numpy。
• 我们声明了变量“a”并分配了 np.histogram() 函数的返回值。
• 我们向该函数传递了一个数组和 bin 的值。
• 最后，我们尝试打印 'a' 的值。

在输出中，它显示了一个包含直方图值的 ndarray。

示例 2

输出

(array([0.16666667, 0.16666667, 0.16666667, 0.16666667, 0.16666667,
       0.16666667]), array([0, 1, 2, 3, 4, 5, 6]))

示例 3

输出

(array([0, 4, 2], dtype=int64), array([0, 1, 2, 3]))

示例 4

输出

array([0.17857143, 0.17857143, 0.17857143, 0.        , 0.17857143,
       0.17857143, 0.        , 0.17857143, 0.17857143, 0.17857143])
array([0. , 0.7, 1.4, 2.1, 2.8, 3.5, 4.2, 4.9, 5.6, 6.3, 7. ])

示例 5

输出

array([0.17857143, 0.17857143, 0.17857143, 0.        , 0.17857143,
       0.17857143, 0.        , 0.17857143, 0.17857143, 0.17857143])
1.4285714285714288
1.0

在上面的代码中

• 我们使用别名 np 导入了 numpy。
• 我们使用 np.arange() 函数创建了一个数组 'a'。
• 我们声明了变量 'hist' 和 'bin_edges'，然后分配了 np.histogram() 函数的返回值。
• 我们传递了数组 'a'，并将 'density' 设置为 True。
• 我们尝试打印 'hist' 的值。
• 最后，我们尝试使用 hist.sum() 和 np.sum()（在其中我们传递了直方图值和 bin 的边缘）来计算直方图值的总和。

在输出中，它显示了一个包含直方图值和直方图值总和的 ndarray。