numpy.histogram#
- numpy.histogram(a, bins=10, range=None, density=None, weights=None)[源代码]#
计算数据集的直方图.
- 参数:
- aarray_like
输入数据.直方图是基于展平数组计算的.
- bins整数或标量序列或字符串,可选
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）.如果 bins 是一个序列,它定义了一个单调递增的箱边缘数组,包括最右边的边缘,允许非均匀的箱宽度.
在 1.11.0 版本加入.
如果 bins 是一个字符串,它定义了用于计算最佳箱宽的方法,如
histogram_bin_edges所定义.- range(浮点数, 浮点数), 可选
箱的下限和上限范围.如果没有提供,范围仅仅是
(a.min(), a.max()).范围外的值被忽略.范围的第一个元素必须小于或等于第二个.`range` 也会影响自动箱计算.虽然箱宽是基于 range 内的实际数据计算为最佳,但箱数将填充整个范围,包括不包含数据的部分.- weightsarray_like, 可选
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）.如果 density 为 True,则权重会被归一化,使得密度在范围内的积分保持为 1.请注意,`weights` 的
dtype也将成为返回的累加器 (hist) 的dtype,因此它必须足够大以容纳累加值.- density布尔值, 可选
如果
False,结果将包含每个箱子中的样本数量.如果True,结果是箱子处的概率 密度 函数值,归一化使得在整个范围内的 积分 为 1.注意,直方图值的总和将不等于 1,除非选择单位宽度的箱子;它不是一个概率 质量 函数.
- 返回:
- hist数组
直方图的值.请参阅 density 和 weights 以了解可能的语义描述.如果给出了 weights,``hist.dtype`` 将从 weights 中获取.
- bin_edgesdtype 为 float 的数组
返回箱边
(length(hist)+1).
备注
除了最后一个（最右边的）箱子是半开的.换句话说,如果 bins 是:
[1, 2, 3, 4]
那么第一个区间是
[1, 2)``（包括 1,但不包括 2）,第二个是 ``[2, 3).然而,最后一个区间是[3, 4],它 包括 4.示例
>>> import numpy as np >>> np.histogram([1, 2, 1], bins=[0, 1, 2, 3]) (array([0, 2, 1]), array([0, 1, 2, 3])) >>> np.histogram(np.arange(4), bins=np.arange(5), density=True) (array([0.25, 0.25, 0.25, 0.25]), array([0, 1, 2, 3, 4])) >>> np.histogram([[1, 2, 1], [1, 0, 1]], bins=[0,1,2,3]) (array([1, 4, 1]), array([0, 1, 2, 3]))
>>> a = np.arange(5) >>> hist, bin_edges = np.histogram(a, density=True) >>> hist array([0.5, 0. , 0.5, 0. , 0. , 0.5, 0. , 0.5, 0. , 0.5]) >>> hist.sum() 2.4999999999999996 >>> np.sum(hist * np.diff(bin_edges)) 1.0
在 1.11.0 版本加入.
自动分箱选择方法示例,使用具有2000个点的2峰随机数据.
import matplotlib.pyplot as plt import numpy as np rng = np.random.RandomState(10) # deterministic random data a = np.hstack((rng.normal(size=1000), rng.normal(loc=5, scale=2, size=1000))) plt.hist(a, bins='auto') # arguments are passed to np.histogram plt.title("Histogram with 'auto' bins") plt.show()
