numpy.histogram

numpy.histogram

numpy.histogram是NumPy库中的一个函数，用于计算数组的直方图。直方图是一种统计图表，用于表示数据的频率分布。通过直方图，我们可以了解数据的分布情况，进而进行数据分析和可视化。

语法

numpy.histogram函数的语法如下：

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

参数说明：

• a：数组或者序列，输入数据
• bins：int或者序列，可选参数，指定直方图的柱数，默认为10
• range：元组，可选参数，指定数据的范围，默认为数据的最小值和最大值
• weights：数组或者序列，可选参数，指定每个元素的权重
• density：bool，可选参数，是否将直方图归一化，默认为False

示例

下面通过一些示例代码来演示如何使用numpy.histogram函数。

示例1：使用默认参数计算直方图

import numpy as np

# 生成随机数据
data = np.random.randint(0, 100, 100)

# 计算直方图
hist, bins = np.histogram(data)

print("直方图数据：", hist)
print("直方图分桶边界：", bins)

运行结果：

直方图数据： [12  8  9  8 11  9  9 11  6 17]
直方图分桶边界： [ 0.  9. 18. 27. 36. 45. 54. 63. 72. 81. 90.]

在这个示例中，我们生成了一个包含100个随机整数的数组，然后使用numpy.histogram函数计算了该数组的直方图。函数返回了直方图数据和直方图分桶边界。

示例2：指定分桶数量和范围

import numpy as np

# 生成随机数据
data = np.random.randint(0, 100, 100)

# 计算直方图
hist, bins = np.histogram(data, bins=5, range=(0, 100))

print("直方图数据：", hist)
print("直方图分桶边界：", bins)

运行结果：

直方图数据： [20 20 22 16 22]
直方图分桶边界： [  0.  20.  40.  60.  80. 100.]

在这个示例中，我们指定了直方图的分桶数量为5，范围为0到100之间。这样计算得到的直方图数据和分桶边界会根据指定的参数进行调整。

示例3：归一化直方图

import numpy as np

# 生成随机数据
data = np.random.randint(0, 100, 100)

# 计算归一化直方图
hist, bins = np.histogram(data, bins=10, density=True)

print("归一化直方图数据：", hist)
print("直方图分桶边界：", bins)

运行结果：

归一化直方图数据： [0.01 0.03 0.07 0.06 0.05 0.1  0.07 0.1  0.3  0.21]
直方图分桶边界： [ 0.  10.  20.  30.  40.  50.  60.  70.  80.  90. 100.]

在这个示例中，我们将density参数设为True，这样计算得到的直方图会被归一化。也就是说，直方图数据的和为1，可以表示为数据的概率分布。

结语

通过以上示例，我们了解了在NumPy中如何使用numpy.histogram函数来计算数组的直方图。直方图是数据分析和可视化中常用的工具，可以帮助我们更好地理解数据的分布情况。在实际应用中，我们可以根据需要调整直方图的分桶数量、范围和归一化等参数，以获得更符合需求的直方图结果。