Python 如何从2D NumPy数组中获取直方图数据？

numpy.histogram（）

能否处理2D numpy数组？我好像不能让它工作？在下面的示例中，我希望

numpy.histogram（）

函数返回一个3x2，其中2表示一个元组，该元组具有2个大小为20的1D numpy数组，分别包含必要的计数和bins数据

示例：

>>> import numpy as np
>>> from numpy.random import default_rng
>>> from scipy.stats import norm
>>> rg = default_rng()
>>> a = norm.rvs( size=(3, 100), random_state=rg )
>>> np.histogram( a, bins=20 )
(array([ 2,  2,  4,  6, 10, 11, 15, 19, 37, 26, 25, 28, 27, 29, 21, 22,  5,
        5,  3,  3]), array([-2.736423  , -2.47271089, -2.20899879, -1.94528668, -1.68157457,
       -1.41786247, -1.15415036, -0.89043825, -0.62672615, -0.36301404,
       -0.09930193,  0.16441017,  0.42812228,  0.69183439,  0.95554649,
        1.2192586 ,  1.48297071,  1.74668281,  2.01039492,  2.27410703,
        2.53781913]))
>>> np.histogram( a.T, bins=20 )
(array([ 2,  2,  4,  6, 10, 11, 15, 19, 37, 26, 25, 28, 27, 29, 21, 22,  5,
        5,  3,  3]), array([-2.736423  , -2.47271089, -2.20899879, -1.94528668, -1.68157457,
       -1.41786247, -1.15415036, -0.89043825, -0.62672615, -0.36301404,
       -0.09930193,  0.16441017,  0.42812228,  0.69183439,  0.95554649,
        1.2192586 ,  1.48297071,  1.74668281,  2.01039492,  2.27410703,
        2.53781913]))

编辑：

>>> import numpy as np
>>> from numpy.random import default_rng
>>> from scipy.stats import norm
>>> rg = default_rng()
>>> a = norm.rvs( size=(3, 100), random_state=rg )
>>> np.histogram( a, bins=20 )
(array([ 2,  2,  4,  6, 10, 11, 15, 19, 37, 26, 25, 28, 27, 29, 21, 22,  5,
        5,  3,  3]), array([-2.736423  , -2.47271089, -2.20899879, -1.94528668, -1.68157457,
       -1.41786247, -1.15415036, -0.89043825, -0.62672615, -0.36301404,
       -0.09930193,  0.16441017,  0.42812228,  0.69183439,  0.95554649,
        1.2192586 ,  1.48297071,  1.74668281,  2.01039492,  2.27410703,
        2.53781913]))
>>> np.histogram( a.T, bins=20 )
(array([ 2,  2,  4,  6, 10, 11, 15, 19, 37, 26, 25, 28, 27, 29, 21, 22,  5,
        5,  3,  3]), array([-2.736423  , -2.47271089, -2.20899879, -1.94528668, -1.68157457,
       -1.41786247, -1.15415036, -0.89043825, -0.62672615, -0.36301404,
       -0.09930193,  0.16441017,  0.42812228,  0.69183439,  0.95554649,
        1.2192586 ,  1.48297071,  1.74668281,  2.01039492,  2.27410703,
        2.53781913]))

我正在尝试@DavidHoffman建议的

histrogramdd（）

。

H

结果看起来是错误的。我期望得到3行结果，但得到了6行<代码>边缘看起来正确。我做错了什么

>>> bins = np.linspace(np.array([-3,-3,-3]),  np.array([3,3,3]), num=7, axis=1 )
>>> bins
array([[-3., -2., -1.,  0.,  1.,  2.,  3.],
       [-3., -2., -1.,  0.,  1.,  2.,  3.],
       [-3., -2., -1.,  0.,  1.,  2.,  3.]])
>>> H, edges = np.histogramdd(a.T, bins=bins)
>>> H
array([[[0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0.],
        [0., 0., 2., 0., 0., 0.],
        [0., 1., 0., 0., 1., 0.],
        [0., 0., 0., 1., 0., 0.],
        [0., 0., 0., 0., 0., 0.]],

       [[0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 1., 1., 0.],
        [0., 2., 0., 1., 1., 0.],
        [0., 1., 1., 1., 0., 0.],
        [0., 0., 0., 1., 0., 0.],
        [0., 0., 0., 0., 0., 0.]],

       [[0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 2., 0., 0.],
        [0., 1., 4., 7., 2., 0.],
        [1., 3., 5., 6., 4., 1.],
        [2., 1., 0., 2., 0., 0.],
        [0., 0., 0., 0., 0., 0.]],

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

       [[0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0.],
        [0., 0., 5., 2., 1., 0.],
        [0., 0., 1., 0., 0., 0.],
        [0., 0., 0., 0., 1., 0.],
        [0., 0., 0., 0., 0., 0.]],

       [[0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 1., 0., 0.],
        [0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 0., 0.],
        [0., 0., 0., 0., 1., 0.],
        [0., 0., 0., 0., 0., 0.]]])
>>> edges
[array([-3., -2., -1.,  0.,  1.,  2.,  3.]), array([-3., -2., -1.,  0.,  1.,  2.,  3.]), array([-3., -2., -1.,  0.,  1.,  2.,  3.])]
>>>

结果应该类似于for-loop方法的结果（由@MateenUlhaq提到）

---

避免for循环的一种可能方法是为

np.histogram（）

定义一个包装器：

def包装器（arr）：
h、 _uu=np.直方图（arr，bin=np.linspace（-3，3，num=7））
返回h

并将该包装函数传递给：

h=np。沿_轴应用_（包装器，1，a）

演示 [50]中的

：对于a中的行：
…：h_行，u=np.直方图（行，bin=np.linspace（-3，3，num=7））
…：打印（h_行）
[ 1 17 38 28 11  4]
[ 1 16 32 35 15  1]
[ 2 11 37 33 16  1]
在[51]中：np.沿_轴应用_（包装器，1，a）
出[51]：
数组（[[1,17,38,28,11,4]，
[ 1, 16, 32, 35, 15,  1],
[2,11,37,33,16,1]]，dtype=int64）
避免for循环的一种可能方法是为
np.histogram（）定义一个包装器。
：

def包装器（arr）：
h、 _uu=np.直方图（arr，bin=np.linspace（-3，3，num=7））
返回h

并将该包装函数传递给：

h=np。沿_轴应用_（包装器，1，a）

演示
[50]中的
：对于a中的行：
…：h_行，u=np.直方图（行，bin=np.linspace（-3，3，num=7））
…：打印（h_行）
[ 1 17 38 28 11  4]
[ 1 16 32 35 15  1]
[ 2 11 37 33 16  1]
在[51]中：np.沿_轴应用_（包装器，1，a）
出[51]：
数组（[[1,17,38,28,11,4]，
[ 1, 16, 32, 35, 15,  1],
[2,11,37,33,16,1]]，dtype=int64）
假设要单独处理2D数据的每一行。。。快速看一眼这本书就知道可能不会。快速查看上面的“A：输入数据。直方图是在展平的数组上计算的。”，这意味着当然不是。我认为您必须手动对数据进行循环。请查看@MateenUlhaq，谢谢。我知道for循环方法是有效的。不过，我还是希望NumPy有一个更快的内置功能来完成这项工作。正在尝试Historogramdd（），但遇到了一个问题。@DavidHoffman我从
Historogramdd（）
得到的结果似乎有误。你能告诉我如何纠正我的错误吗？假设你想单独处理每一行2D数据。。。快速看一眼这本书就知道可能不会。快速查看上面的“A：输入数据。直方图是在展平的数组上计算的。”，这意味着当然不是。我认为您必须手动对数据进行循环。请查看@MateenUlhaq，谢谢。我知道for循环方法是有效的。不过，我还是希望NumPy有一个更快的内置功能来完成这项工作。正在尝试Historogramdd（），但遇到了一个问题。@DavidHoffman我从
Historogramdd（）
得到的结果似乎有误。你能告诉我如何改正我的错误吗？谢谢。这个解决方案很好。当
bin
的值不是常数时，即不同的
bin
值将用于处理
a
的每一行时，您的方法是否有效？当然可以，只要您在
包装器
函数中定义
bin
的值（例如作为
arr
的函数）。谢谢。这个解决方案很好。当
bin
的值不是常数时，即不同的
bin
值将用于处理
a
的每一行时，您的方法是否有效？当然可以，只要您在
包装器
函数中定义
bin
的值（例如作为
arr
的函数）。