numpy.digitize

原文：https://docs.scipy.org/doc/numpy/reference/generated/numpy.digitize.html

译者：飞龙 UsyiyiCN

校对：（虚位以待）

numpy.digitize(x, bins, right=False)

返回输入数组中每个值所属的bin的索引。

Each index i returned is such that bins[i-1] <= x < bins[i] if bins is monotonically increasing, or bins[i-1] > x >= bins[i] if bins is monotonically decreasing. 如果x中的值超出了bin的界限，则适当返回0或len(bins)。如果right为True，则右边仓关闭，使得索引i使得bin [i-1] > x bins [i]或bins [i-1]> = x> bins [i] `if bins分别单调递增或递减。

参数：	x：array_like 输入要组合的数组。在Numpy 1.10.0之前，这个数组必须是一维的，但现在可以有任何形状。 bin：array_like 数组组。它必须是一维和单调的。 右：bool，可选 指示间隔是否包括右边框或左边框。默认行为是（right == False），表示间隔不包括右边缘。在这种情况下，左端口端是打开的，即bin [i-1]
返回：	out：intar的ndarray 输出数组的索引，形状与x相同。
上升：	ValueError 如果bin不是单调的。 TypeError 如果输入的类型复杂。

也可以看看

bincount，histogram，unique

笔记

如果x中的值落在bin范围之外，则尝试使用digitize返回的索引将bin编入索引将导致IndexError 。

版本1.10.0中的新功能。

np.digitize按照np.searchsorted执行。这意味着二进制搜索用于对值进行二进制化，对于大于先前线性搜索的二进制数，这些二进制搜索的尺度更好。它也删除了对输入数组为一维的要求。

例子

>>> x = np.array([0.2, 6.4, 3.0, 1.6])
>>> bins = np.array([0.0, 1.0, 2.5, 4.0, 10.0])
>>> inds = np.digitize(x, bins)
>>> inds
array([1, 4, 3, 2])
>>> for n in range(x.size):
...   print(bins[inds[n]-1], "<=", x[n], "<", bins[inds[n]])
...
0.0 <= 0.2 < 1.0
4.0 <= 6.4 < 10.0
2.5 <= 3.0 < 4.0
1.0 <= 1.6 < 2.5

>>> x = np.array([1.2, 10.0, 12.4, 15.5, 20.])
>>> bins = np.array([0, 5, 10, 15, 20])
>>> np.digitize(x,bins,right=True)
array([1, 2, 3, 4, 4])
>>> np.digitize(x,bins,right=False)
array([1, 3, 3, 4, 5])