numpy.digitize

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

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

right	порядок ячеек	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, подлежащий распределению 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, optional Указывает, включают ли интервалы правое или левое значение границы ячейки. По умолчанию используется (right==False), что означает, что интервал не включает правое значение. В этом случае левая граница ячейки открыта, т. е. bins[i-1] <= x < bins[i] является поведением 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 является комплексным.

См. также

bincount, histogram, unique, searchsorted

Примечания

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

Введено в версии 1.10.0.

np.digitize реализовано с использованием np.searchsorted. Это означает, что для распределения значений используется двоичный поиск, который масштабируется намного лучше для большего количества ячеек, чем предыдущий линейный поиск. Он также отменяет требование, чтобы входной массив был одномерным.

Для монотонно _возрастающего_ bins, следующее эквивалентно:

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

Обратите внимание, что поскольку порядок аргументов меняется, сторона тоже должна измениться. Вызов searchsorted немного быстрее, поскольку он не выполняет никаких проверок монотонности. Возможно, что еще важнее, 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])