jax.numpy.histogram_bin_edges

jax.numpy.histogram_bin_edges(a, bins=10, range=None, weights=None)

用于计算 histogram 使用的箱子边缘的函数

LAX-backend 实现的 numpy.histogram_bin_edges()。

原始文档字符串如下。

函数

参数:

• a (array_like) – 输入数据。直方图是基于展平后的数组计算的。

• bins (int or sequence of scalars or str, optional) – 如果 bins 是一个整数，它定义了给定范围内等宽的箱数（默认是10个）。如果 bins 是一个序列，它定义了箱的边缘，包括最右边的边缘，允许非均匀的箱宽。如果 bins 是下面列表中的一个字符串，histogram_bin_edges 将使用所选方法计算最佳箱宽，从而计算出箱的数量（有关估计器的更多详细信息，请参见注释部分），这些箱的数量是从请求范围内落入的数据中计算出来的。虽然箱宽对于范围内的实际数据将是最佳的，但箱的数量将被计算以填充整个范围，包括空的部分。对于可视化，建议使用 ‘auto’ 选项。不支持加权数据的自动箱大小选择。 ‘auto’ 在 ‘sturges’ 和 ‘fd’ 估计器之间的最小箱宽。 提供良好的全方位性能。 ‘fd’ (Freedman Diaconis 估计器) 一个鲁棒（对异常值有抵抗力）的估计器，它考虑了数据的变异性和数据大小。 ‘doane’ 一个改进的 Sturges 估计器，对非正态数据集效果更好。 ‘scott’ 一个较不鲁棒的估计器，它考虑了数据的变异性和数据大小。 ‘stone’ 基于留一交叉验证估计的积分平方误差的估计器。可以被视为 Scott 规则的推广。 ‘rice’ 估计器不考虑变异性，只考虑数据大小。通常会高估所需的箱数。 ‘sturges’ R 的默认方法，只考虑数据大小。仅对高斯数据最优，对大型非高斯数据集低估了箱数。 ‘sqrt’ 数据大小的平方根估计器，由 Excel 和其他程序使用，因其速度和简单性。

• range ((float, float), optional) – 箱子的下限和上限范围。如果没有提供，范围就是 (a.min(), a.max())。超出范围的值将被忽略。范围的第一个元素必须小于或等于第二个元素。range 也会影响自动箱子计算。虽然箱子宽度是根据 range 内的实际数据计算为最佳值，但箱子数量将填充整个范围，包括不包含数据的区域。

• weights (array_like, optional) – 一个权重数组，形状与 a 相同。a 中的每个值仅将其相关权重贡献给箱计数（而不是 1）。目前，这不被任何箱估计器使用，但未来可能会使用。

返回:

bin_edges – 传递给 histogram 的边缘

返回类型:

array of dtype float