назначение баллов по ячейкам

Question

Каков хороший способ объединения числовых значений в определенный диапазон?Например, предположим, что у меня есть список значений, и я хочу объединить их в N ячеек по их диапазону.Прямо сейчас я делаю что-то вроде этого:

from scipy import *
num_bins = 3 # number of bins to use
values = # some array of integers...
min_val = min(values) - 1
max_val = max(values) + 1
my_bins = linspace(min_val, max_val, num_bins)
# assign point to my bins
for v in values:
  best_bin = min_index(abs(my_bins - v))

где min_index возвращает индекс минимального значения.Идея состоит в том, что вы можете найти интервал, в который попадает точка, посмотрев, с каким интервалом она имеет наименьшую разницу.

Но я думаю, что здесь есть странные крайние случаи.Я ищу хорошее представление ячеек, в идеале тех, которые наполовину закрыты, наполовину открыты (чтобы не было возможности назначить одну точку двум ячейкам), т.е.

bin1 = [x1, x2)
bin2 = [x2, x3)
bin3 = [x3, x4)
etc...

каков хороший способ сделать это на Python, используя numpy/scipy?Здесь меня интересует только объединение целочисленных значений.

Большое спасибо за вашу помощь.

Answer 1

numpy.histogram() делает именно то, что вы хотите.

Сигнатура функции:

numpy.histogram(a, bins=10, range=None, normed=False, weights=None, new=None)

Нас больше всего интересует a и bins. a — это входные данные, которые необходимо объединить. bins может быть несколько ячеек (ваша num_bins), или это может быть последовательность скаляров, обозначающих края интервала (полуоткрытые).

import numpy
values = numpy.arange(10, dtype=int)
bins = numpy.arange(-1, 11)
freq, bins = numpy.histogram(values, bins)
# freq is now [0 1 1 1 1 1 1 1 1 1 1]
# bins is unchanged

Цитируя документация:

Все контейнеры, кроме последнего (самого правого), полуоткрыты.Другими словами, если bins является:

[1, 2, 3, 4]

тогда первая ячейка [1, 2) (включая 1, но исключая 2) и второй [2, 3).Однако последняя корзина [3, 4], который включает 4.

Редактировать:Вы хотите знать индекс каждого элемента в ваших бункерах.Для этого вы можете использовать numpy.digitize().Если ваши контейнеры будут цельными, вы можете использовать numpy.bincount() также.

>>> values = numpy.random.randint(0, 20, 10)
>>> values
array([17, 14,  9,  7,  6,  9, 19,  4,  2, 19])
>>> bins = numpy.linspace(-1, 21, 23)
>>> bins
array([ -1.,   0.,   1.,   2.,   3.,   4.,   5.,   6.,   7.,   8.,   9.,
        10.,  11.,  12.,  13.,  14.,  15.,  16.,  17.,  18.,  19.,  20.,
        21.])
>>> pos = numpy.digitize(values, bins)
>>> pos
array([19, 16, 11,  9,  8, 11, 21,  6,  4, 21])

Поскольку интервал открыт по верхней границе, индексы верны:

>>> (bins[pos-1] == values).all()
True
>>> import sys
>>> for n in range(len(values)):
...     sys.stdout.write("%g <= %g < %g\n"
...             %(bins[pos[n]-1], values[n], bins[pos[n]]))
17 <= 17 < 18
14 <= 14 < 15
9 <= 9 < 10
7 <= 7 < 8
6 <= 6 < 7
9 <= 9 < 10
19 <= 19 < 20
4 <= 4 < 5
2 <= 2 < 3
19 <= 19 < 20

Answer 2

В numpy с использованием широковещательной рассылки это довольно просто: мой пример ниже представляет собой четыре строки кода (не считая первых двух строк для создания ячеек и точек данных, которые, конечно, обычно предоставляются).

import numpy as NP
# just creating 5 bins at random, each bin expressed as (x, y, z) although, this code
# is not limited by bin number or bin dimension
bins = NP.random.random_integers(10, 99, 15).reshape(5, 3) 
# creating 30 random data points
data = NP.random.random_integers(10, 99, 90).reshape(30, 3)
# for each data point i want the nearest bin, but before i can generate a distance
# matrix, i need to 'conform' the array dimensions
# 'broadcasting' is an excellent and concise way to do this
bins = bins[:, NP.newaxis, :]
data2 = data[NP.newaxis, :, :]
# now i can calculate the distance matrix
dist_matrix = NP.sqrt(NP.sum((data - bins)**2, axis=-1)) 
bin_assignments = NP.argmin(dist_matrix, axis=0)

«bin_assignments» — это одномерный массив индексов, состоящий из целочисленных значений от 0 до 4, соответствующих пяти интервалам — назначениям интервалов для каждой из 30 исходных точек в приведенной выше матрице «данных».