jax.numpy.histogramdd

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

计算某些数据的多维直方图。

LAX-backend 实现的 numpy.histogramdd()。

原始文档字符串如下。

参数:

• sample ((N, D) array, or (N, D) array_like) – 要进行直方图统计的数据。注意当样本是类数组时的不寻常解释： * 当是数组时，每一行是一个D维空间中的坐标 - 例如 histogramdd(np.array([p1, p2, p3]))。 * 当是类数组时，每个元素是单个坐标的值列表 - 例如 histogramdd((X, Y, Z))。 首选第一种形式。

• bins (sequence or int, optional) – bin 规范： * 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 bin 数量（nx, ny, … =bins） * 所有维度的 bin 数量（nx=ny=…=bins）。

• range (sequence, optional) – 长度为 D 的序列，每个序列是一个可选的 (下限, 上限) 元组，给出在 bins 中未明确给出边缘时要使用的外部箱边缘。序列中的 None 条目会导致相应维度的最小值和最大值被使用。默认值 None 等同于传递一个包含 D 个 None 值的元组。

• density (bool, optional) – 如果为 False ，默认情况下，返回每个箱子中的样本数量。如果为 True ，则返回箱子处的概率 密度 函数，bin_count / sample_count / bin_volume。

• weights ((N,) array_like, optional) – 一组值 w_i 用于加权每个样本 (x_i, y_i, z_i, …)。如果密度为 True，权重将被归一化为 1。如果密度为 False，返回的直方图的值等于落入每个箱子的样本的权重之和。

返回:

• H (ndarray) – 样本 x 的多维直方图。参见密度和权重以了解不同的可能语义。

• edges (ndarrays 的元组) – 一个包含 D 个数组的元组，描述每个维度的 bin 边缘。

返回类型:

tuple[Array, list[Array]]