Python 如何对numpy数组中的数值数据进行迭代分类？

我目前正在尝试使用随机数据生成一个numpy数组

normal=np.round（np.random.normal（loc=0.0，scale=1000，size=（size）），1）.astype（int）

，使用

seed=np.random.seed（0）

，然后以等距方式对它们进行分类，例如：

d=10
data = np.ndarray.flatten(np.asarray(normal,dtype=int))

interval = np.divide(np.max(data)-np.min(data),d)
intervals = np.arange(np.min(data),np.max(data),interval,dtype=int)

        for x in range(len(data)):
            for z in range(d-1):
                if data[x] >= intervals[z] and data[x] < intervals[z+1]:
                    data[x] = z
                elif data[x] > intervals[-1]:
                    data[x] = d-1

d=10
data=np.ndarray.flatten（np.asarray（正常，dtype=int））
间隔=np.除法（np.最大值（数据）-np.最小值（数据），d）
区间=np.arange（np.min（数据），np.max（数据），区间，数据类型=int）
对于范围内的x（len（数据））：
对于范围（d-1）内的z：
如果数据[x]>=区间[z]和数据[x]<区间[z+1]：
数据[x]=z
elif数据[x]>间隔[-1]：
数据[x]=d-1

理想情况下，当我执行此操作时，我希望数据数组中的值被0-9的值替换，但每当我运行此操作时，我都会得到4-8的值。有人知道我可能做错了什么，或者如何改进这个方法吗

---

间隔是要使用的增量值，间隔是各个间隔的实际边界值。

在检查正确间隔时，您正在覆盖数据。在继续操作时引入一个不同的数据数组，保持源数据不变：

import numpy as np
import matplotlib.pyplot as plt

size = 1000
seed = np.random.seed(0)
normal = np.round(np.random.normal(loc=0.0, scale=1000, size=(size)), 1).astype(int)

d=10
data = np.ndarray.flatten(np.asarray(normal, dtype=int))

interval = np.divide(np.max(data)-np.min(data), d)
intervals = np.arange(np.min(data), np.max(data), interval, dtype=int)

data_d = np.zeros_like(data) # added

for x in range(len(data)):
    for z in range(d-1):
        if data[x] >= intervals[z] and data[x] < intervals[z+1]: # check original data
            data_d[x] = z # fill new array so not to overwrite
        elif data[x] > intervals[-1]:
            data_d[x] = d-1
            
plt.hist(data_d)
plt.show()

将numpy导入为np
将matplotlib.pyplot作为plt导入
尺寸=1000
seed=np.random.seed（0）
normal=np.round（np.random.normal（loc=0.0，scale=1000，size=（size）），1）。aType（int）
d=10
data=np.ndarray.flatten（np.asarray（正常，dtype=int））
间隔=np.除法（np.最大值（数据）-np.最小值（数据），d）
区间=np.arange（np.min（数据），np.max（数据），区间，数据类型=int）
data_d=np。添加了类零（data）
对于范围内的x（len（数据））：
对于范围（d-1）内的z：
如果数据[x]>=区间[z]和数据[x]<区间[z+1]：#检查原始数据
data_d[x]=z#填充新数组以避免覆盖
elif数据[x]>间隔[-1]：
数据d[x]=d-1
历史记录（数据）
plt.show（）

生成（所取的所有值）：

---

在检查正确的间隔时，您正在覆盖数据。在继续操作时引入一个不同的数据数组，保持源数据不变：

import numpy as np
import matplotlib.pyplot as plt

size = 1000
seed = np.random.seed(0)
normal = np.round(np.random.normal(loc=0.0, scale=1000, size=(size)), 1).astype(int)

d=10
data = np.ndarray.flatten(np.asarray(normal, dtype=int))

interval = np.divide(np.max(data)-np.min(data), d)
intervals = np.arange(np.min(data), np.max(data), interval, dtype=int)

data_d = np.zeros_like(data) # added

for x in range(len(data)):
    for z in range(d-1):
        if data[x] >= intervals[z] and data[x] < intervals[z+1]: # check original data
            data_d[x] = z # fill new array so not to overwrite
        elif data[x] > intervals[-1]:
            data_d[x] = d-1
            
plt.hist(data_d)
plt.show()

将numpy导入为np
将matplotlib.pyplot作为plt导入
尺寸=1000
seed=np.random.seed（0）
normal=np.round（np.random.normal（loc=0.0，scale=1000，size=（size）），1）。aType（int）
d=10
data=np.ndarray.flatten（np.asarray（正常，dtype=int））
间隔=np.除法（np.最大值（数据）-np.最小值（数据），d）
区间=np.arange（np.min（数据），np.max（数据），区间，数据类型=int）
data_d=np。添加了类零（data）
对于范围内的x（len（数据））：
对于范围（d-1）内的z：
如果数据[x]>=区间[z]和数据[x]<区间[z+1]：#检查原始数据
data_d[x]=z#填充新数组以避免覆盖
elif数据[x]>间隔[-1]：
数据d[x]=d-1
历史记录（数据）
plt.show（）

生成（所取的所有值）：