numpy.digitize

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

Возвращает индексы бинов, к которым принадлежит каждое значение в входном массиве.

right	порядок бинов	возвращаемый индекс i удовлетворяет
False	возрастающий	bins[i-1] <= x < bins[i]
True	возрастающий	bins[i-1] < x <= bins[i]
False	убывающий	bins[i-1] > x >= bins[i]
True	убывающий	bins[i-1] >= x > bins[i]

Если значения в x выходят за пределы bins, возвращается 0 или len(bins) соответственно.

Параметры:	x : array_like Входной массив для разбиения. До NumPy 1.10.0 этот массив должен был быть одномерным, но теперь может иметь любую форму. bins : array_like Массив бинов. Он должен быть одномерным и монотонным. right : bool, optional Указывает, включают ли интервалы правое или левое ребро бина. По умолчанию (right==False), интервал не включает правое ребро. В этом случае левый край бина открыт, т.е. bins[i-1] <= x < bins[i] — это поведение по умолчанию для монотонно возрастающих бинов.
Возвращаемое значение:	indices : ndarray of ints Массив выходных индексов, имеющий такую же форму, что и x.
Исключения:	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 бинов, попытка индексирования bins с индексами, которые возвращает digitize, приведет к IndexError.

Введено в версии 1.10.0.

np.digitize реализовано на основе np.searchsorted. Это означает, что для разбиения значений используется бинарный поиск, что обеспечивает гораздо большую масштабируемость для большого числа бинов, чем предыдущий линейный поиск. Он также отменяет требование к тому, чтобы входной массив был одномерным.

Для монотонно _возрастающих_ bins, следующие выражения эквивалентны:

np.digitize(x, bins, right=True)
np.searchsorted(bins, x, side='left')

Обратите внимание, что поскольку порядок аргументов изменен, сторона также должна быть изменена. Вызов searchsorted немного быстрее, так как не выполняет проверок монотонности. Возможно, еще важнее то, что он поддерживает все типы данных.

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])