NumPy参考 >例行程序 >Statistics > numpy.digitize
numpy.digitize（x，bins，right = False ）[源代码] ¶返回输入数组中每个值所属的bin的索引。
对 |
垃圾箱顺序 |
我满足的返回索引 |
|---|---|---|
|
增加 |
|
|
增加 |
|
|
减少 |
|
|
减少 |
|
如果x中的值超出bins的范围，len(bins)则返回0或适当地返回。
要合并的输入数组。在NumPy 1.10.0之前，此数组必须是一维的，但现在可以具有任何形状。
垃圾箱阵列。它必须是一维且单调的。
指示间隔是包括右边还是左边的边沿。默认行为是（right == False），指示间隔不包括右边缘。在这种情况下，左侧料斗末端是开放的，即bins [i-1] <= x <bins [i]是单调递增料斗的默认行为。
与x形状相同的索引输出数组。
如果垃圾箱不是单调的。
输入的类型是否复杂。
也可以看看
笔记
如果值X是这样的，它们落在垃圾桶范围之外，试图指数箱与该指数digitize的回报将导致IndexError。
1.10.0版中的新功能。
np.digitize是根据np.searchsorted实现的。这意味着使用二进制搜索对值进行分箱，与之前的线性搜索相比，对于更大数量的分箱，缩放比例要好得多。它还消除了对输入数组为一维的要求。
对于单调_increasing_ bins，以下是等效的：
np.digitize(x, bins, right=True)
np.searchsorted(bins, x, side='left')
请注意，随着参数顺序的颠倒，侧面也必须相同。该searchsorted调用略快一些，因为它不执行任何单调性检查。也许更重要的是，它支持所有dtype。
例子
>>> 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])