numpy.digitize

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

Возвращает индексы ячеек, к которым принадлежит каждый элемент входного массива.

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 bins, возвращается 0 или len(bins), соответственно.

Parameters

xarray_like

Входной массив для категоризации. До NumPy 1.10.0, этот массив должен быть одномерным, но теперь может иметь любую форму.

binsarray_like

Массив ячеек. Он должен быть одномерным и монотонным.

rightbool, optional

Указывает, включает ли интервал правый или левый край ячейки. По умолчанию (right==False), что интервал не включает правый край. В этом случае левый край ячейки открыт, т. е. bins[i-1] <= x < bins[i] - это поведение по умолчанию для монотонно возрастающих ячеек.

Returns

indicesndarray of ints

Выходной массив индексов, имеющий ту же форму, что и x.

Raises

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 индексировать bins с индексами, которые возвращает digitize, приведёт к IndexError.

Новое в версии 1.10.0.

np.digitize реализуется через np.searchsorted. Это означает, что для категоризации значений используется двоичный поиск, который масштабируется значительно лучше для большего числа ячеек, чем предыдущий линейный поиск. Также он отменяет требование к входному массиву быть 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, так как он не выполняет никаких проверок монотонности. Возможно, что 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])