numpy.digitize

numpy.digitize(x, bins, right=False)

Возвращает индексы ячеек, в которые попадает каждое значение из входного массива.

Каждый возвращаемый индекс i такой, что bins[i-1] <= x < bins[i] если bins монотонно возрастает, или bins[i-1] > x >= bins[i] если bins монотонно убывает. Если значения в x выходят за пределы bins, возвращается 0 или len(bins), соответственно. Если right равно True, то правая граница ячейки закрыта, так что индекс i такой, что bins[i-1] < x <= bins[i] или bins[i-1] >= x > bins[i] если bins монотонно возрастает или убывает соответственно.

Параметры:	x : array_like Входной массив для распределения по ячейкам. До NumPy 1.10.0 этот массив должен был быть одномерным, но теперь может иметь любую форму. bins : array_like Массив ячеек. Он должен быть одномерным и монотонным. right : bool, необязательно Указывает, включает ли интервал правую или левую границу ячейки. По умолчанию (right==False), интервал не включает правую границу. Левая граница ячейки открыта в этом случае, т.е. bins[i-1] <= x < bins[i] — это поведение по умолчанию для монотонно возрастающих ячеек.
Возвращает:	out : ndarray целых чисел Выходной массив индексов, такой же формы, как x.
Возможные ошибки:	ValueError Если bins не является монотонным. TypeError Если тип входных данных комплексный.

См. также

bincount, histogram, unique, searchsorted

Примечания

Если значения в x таковы, что они выходят за пределы диапазона ячеек, попытка индексирования bins с индексами, которые возвращает digitize, приведет к ошибке IndexError.

Добавлена в версии 1.10.0.

np.digitize реализовано на основе np.searchsorted. Это означает, что для распределения значений по ячейкам используется бинарный поиск, что масштабируется намного лучше для большего количества ячеек по сравнению с предыдущим линейным поиском. Это также устраняет необходимость в том, чтобы входной массив был одномерным.

Примеры

>>> 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])