Функция histogramdd

Функция histogramdd вычисляет многомерную гистограмму для массива точек в пространстве заданной размерности. Первым параметром функция принимает массив точек размерности (N, D), где N - количество точек, а D - количество измерений. Вторым параметром можно задать количество бинов по каждому измерению, а третьим - границы бинов.

Синтаксис

np.histogramdd(sample, bins=10, range=None, density=False, weights=None)

Пример

Рассмотрим базовый пример построения двумерной гистограммы для случайных точек:

import numpy as np

rng = np.random.default_rng(0)
sample = rng.random((100, 2))
hist, edges = np.histogramdd(sample, bins=3)

print(hist)
print(edges[0])
print(edges[1])

Результат выполнения кода:

[[[ 8.  9. 10.]
  [ 9.  4.  6.]
  [ 2.  2.  3.]]

 [[ 6.  7.  3.]
  [ 2.  4.  7.]
  [ 3.  3.  1.]]

 [[ 5.  2.  3.]
  [ 0.  3.  2.]
  [ 1.  1.  3.]]]
[0.		 0.33333333 0.66666667 1.		]
[0.		 0.33333333 0.66666667 1.		]

Пример

Построим гистограмму с разным количеством бинов по каждому измерению:

import numpy as np

rng = np.random.default_rng(1)
sample = rng.normal(size=(100, 2))
hist, edges = np.histogramdd(sample, bins=(5, 10))

print(hist.shape)
print(hist.sum())

Результат выполнения кода:

(5, 10)
100.0

Пример

Рассмотрим использование параметра range для ограничения области построения гистограммы:

import numpy as np

rng = np.random.default_rng(2)
sample = rng.random((200, 3))
hist, edges = np.histogramdd(
	sample,
	bins=(4, 5, 3),
	range=[(0.2, 0.8), (0.1, 0.9), (0.3, 0.7)]
)

print(hist.shape)
print(hist[:, :, 0])

Результат выполнения кода:

(4, 5, 3)
[[[ 2.  3.  2.  4.]
  [ 5.  4.  3.  3.]
  [ 2.  2.  3.  4.]
  [ 4.  2.  6.  6.]
  [ 4.  5.  3.  3.]]

 [[ 3.  4.  4.  5.]
  [ 4.  0.  3.  3.]
  [ 5.  5.  3.  4.]
  [ 1.  3.  4.  6.]
  [ 3.  6.  3.  4.]]

 [[ 2.  3.  0.  2.]
  [ 1.  2.  3.  2.]
  [ 3.  2.  4.  4.]
  [ 4.  3.  4.  3.]
  [ 5.  4.  4.  2.]]

 [[ 3.  4.  3.  6.]
  [ 3.  2.  1.  3.]
  [ 2.  4.  6.  6.]
  [ 2.  4.  4.  5.]
  [ 4.  2.  2.  3.]]]

Пример

Применим веса к точкам для построения взвешенной гистограммы:

import numpy as np

rng = np.random.default_rng(3)
sample = rng.random((50, 2))
weights = rng.integers(1, 5, size=50)
hist, edges = np.histogramdd(sample, bins=3, weights=weights)

print(hist)
print(hist.sum())
print(weights.sum())

Результат выполнения кода:

[[[ 8. 19. 19.]
  [ 4.  6.  6.]
  [ 6. 12.  6.]]

 [[ 9.  6. 12.]
  [ 3.  7. 10.]
  [ 8.  8.  8.]]

 [[ 7.  9.  6.]
  [ 8. 12.  9.]
  [ 9.  4. 15.]]]
149.0
149

Пример

Используем параметр density для получения нормированной гистограммы:

import numpy as np

rng = np.random.default_rng(4)
sample = rng.random((1000, 2))
hist, edges = np.histogramdd(sample, bins=(5, 5), density=True)

print(hist.sum() * np.prod(edges[0][1] - edges[0][0]))

Результат выполнения кода:

0.9999999999999998

Смотрите также

функцию histogram,
которая вычисляет одномерную гистограмму
функцию histogram2d,
которая вычисляет двумерную гистограмму
функцию bincount,
которая подсчитывает частоту значений в одномерном массиве
функцию digitize,
которая определяет индексы бинов для одномерных данных