numpy.digitize

numpy.digitize(x, bins, right=False) [source]

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

right	порядок ячеек	возвращённый 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 границ bins, возвращается 0 или len(bins), соответственно.

Параметры:	x : array_like Входной массив, подлежащий разбиению на ячейки. 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, optional Указывает, включают ли интервалы правую или левую границу ячейки. По умолчанию (right==False), интервал не включает правую границу. В этом случае левая граница ячейки открыта, т.е. bins[i-1] <= x < bins[i] — поведение по умолчанию для монотонно возрастающих ячеек.
Возвращает:	indices : ndarray of ints Выходной массив индексов, имеющий ту же форму, что и x.
Возбуждает:	ValueError Если bins не является монотонным. TypeError Если тип входных данных — комплексный.

См. также

bincount, histogram, unique, searchsorted

Примечания

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

Введено в версии 1.10.0.

np.digitize реализовано через np.searchsorted. Это означает, что для размещения значений используется бинарный поиск, что обеспечивает гораздо лучшую масштабируемость для большого количества ячеек по сравнению с предыдущим линейным поиском. Также удалено требование, 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 так как порядок аргументов изменен, сторона тоже должна измениться. Вызов searchsorted несколько быстрее, так как он не выполняет проверок монотонности. Возможно, ещё важнее, 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])