NumPy参考 >例行程序 >Statistics > numpy.histogramdd
numpy.histogramdd（sample，bins = 10，range = None，normed = None，weights = None，density = None ）[源代码] ¶计算某些数据的多维直方图。
要直方图的数据。
注意当array_like时样本的不寻常解释：
当是数组时，每一行都是D维空间（例如）中的坐标。histogramgramdd(np.array([p1, p2, p3]))
当为array_like时，每个元素都是单个坐标的值列表-例如。histogramgramdd((X, Y, Z))
第一种形式应该是首选。
垃圾桶规格：
描述沿每个维度单调递增的bin边缘的数组序列。
每个维度的垃圾箱数（nx，ny，…=垃圾箱）
所有维度的箱数（nx = ny =…=箱）。
长度为D的序列，每个序列是一个可选的（下部，上部）元组，如果没有在bin中明确给出边缘，则给出要使用的外部bin边缘 。在序列中输入None将导致最小值和最大值用于相应的尺寸。默认值None（无）等效于传递D None值的元组。
如果默认值为False，则返回每个bin中的样本数。如果为True，则在bin处返回概率密度函数
。bin_count / sample_count / bin_volume
密度参数的别名，其行为相同。为避免与打破规范的混淆histogram，
应首选密度。
权重每个样本（x_i，y_i，z_i，...）的值w_i的数组。如果范数为True，则将权重标准化为1。如果normed为False，则返回的直方图的值等于属于每个bin的样本的权重之和。
样本x的多维直方图。有关不同的可能语义，请参见normed和weights。
D数组的列表，描述每个维度的面元边缘。
也可以看看
histogram一维直方图
histogram2d二维直方图
例子
>>> r = np.random.randn(100,3)
>>> H, edges = np.histogramdd(r, bins = (5, 8, 4))
>>> H.shape, edges[0].size, edges[1].size, edges[2].size
((5, 8, 4), 6, 9, 5)