Python numpy histogramdd用法及代码示例

本文简要介绍 python 语言中 numpy.histogramdd 的用法。

用法:

numpy.histogramdd(sample, bins=10, range=None, normed=None, weights=None, density=None)

计算一些数据的多维直方图。

参数：

sample： (N, D) 数组，或 (D, N) 数组

要进行直方图分析的数据。

注意当 数组 时样本的不寻常解释：

• 当一个数组时，每一行都是 D-dimensional 空间中的一个坐标 - 例如 histogramdd(np.array([p1, p2, p3])) 。

• 当一个 数组 时，每个元素都是单个坐标的值列表 - 例如 histogramdd((X, Y, Z)) 。

应该首选第一种形式。

bins： 序列或整数，可选

箱规格：

• 说明沿每个维度单调增加的 bin 边的数组序列。

• 每个维度的 bin 数量 (nx, ny, ... =bins)

• 所有维度的 bin 数量 (nx=ny=...=bins)。

range： 顺序，可选

一个长度为 D 的序列，每个都有一个可选的 (lower, upper) 元组，如果边没有在 bin 中明确给出，则给出要使用的外部 bin 边。序列中的 None 条目会导致用于相应维度的最小值和最大值。默认值 None 相当于传递一个 D 无值的元组。

density： 布尔型，可选

如果默认为 False，则返回每个 bin 中的样本数。如果为真，则返回概率密度函数在箱子，bin_count / sample_count / bin_volume.

normed： 布尔型，可选

行为相同的密度参数的别名。为了避免与破坏的规范论证混淆numpy.histogram,密度应该是首选。

weights： (N,) 数组, 可选

加权每个样本的值 w_i 数组(x_i，y_i，z_i，...)。如果 normed 为 True，则权重归一化为 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。

返回：

H： ndarray

样本 x 的多维直方图。请参阅 normed 和 weights 以了解不同的可能语义。

edges： 列表

说明每个维度的 bin 边的 D 数组列表。

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)