11

我有一组数据，并想制作它的直方图。我需要 bin 具有相同的size，我的意思是它们必须包含相同数量的对象，而不是更常见的（numpy.histogram）问题，即具有等间距的bin。这自然会以箱体宽度为代价，而箱体宽度可能——而且通常会——有所不同。

我将指定所需的 bin 数量和数据集，作为回报获得 bin 边缘。

Example:
data = numpy.array([1., 1.2, 1.3, 2.0, 2.1, 2.12])
bins_edges = somefunc(data, nbins=3)
print(bins_edges)
>> [1.,1.3,2.1,2.12]

所以 bin 都包含 2 个点，但它们的宽度（0.3、0.8、0.02）不同。

有两个限制： - 如果一组数据相同，则包含它们的 bin 可能更大。- 如果有 N 个数据并且请求了 M 个 bin，如果 N%M 不为 0，则将有 N/M 个 bin 加一。

这段代码是我写的一些杂乱无章的代码，它适用于小型数据集。如果我有 10**9+ 分并想加快流程怎么办？

  1 import numpy as np
  2 
  3 def def_equbin(in_distr, binsize=None, bin_num=None):
  4 
  5     try:
  6 
  7         distr_size = len(in_distr)
  8 
  9         bin_size = distr_size / bin_num
 10         odd_bin_size = distr_size % bin_num
 11 
 12         args = in_distr.argsort()
 13 
 14         hist = np.zeros((bin_num, bin_size))
 15 
 16         for i in range(bin_num):
 17             hist[i, :] = in_distr[args[i * bin_size: (i + 1) * bin_size]]
 18 
 19         if odd_bin_size == 0:
 20             odd_bin = None
 21             bins_limits = np.arange(bin_num) * bin_size
 22             bins_limits = args[bins_limits]
 23             bins_limits = np.concatenate((in_distr[bins_limits],
 24                                           [in_distr[args[-1]]]))
 25         else:
 26             odd_bin = in_distr[args[bin_num * bin_size:]]
 27             bins_limits = np.arange(bin_num + 1) * bin_size
 28             bins_limits = args[bins_limits]
 29             bins_limits = in_distr[bins_limits]
 30             bins_limits = np.concatenate((bins_limits, [in_distr[args[-1]]]))
 31 
 32         return (hist, odd_bin, bins_limits)
4

4 回答 4

16

使用您的示例案例（2 个点的箱，6 个总数据点）：

from scipy import stats
bin_edges = stats.mstats.mquantiles(data, [0, 2./6, 4./6, 1])
>> array([1. , 1.24666667, 2.05333333, 2.12])
于 2012-10-12T16:21:24.293 回答
10

我还想提一下 的存在pandas.qcut，它以非常有效的方式进行等填充分箱。在你的情况下，它会像

data = np.array([1., 1.2, 1.3, 2.0, 2.1, 2.12])
# parameter q specifies the number of bins
qc = pd.qcut(data, q=3, precision=1)

# bin definition
bins  = qc.categories
print(bins)
>> Index(['[1, 1.3]', '(1.3, 2.03]', '(2.03, 2.1]'], dtype='object')

# bin corresponding to each point in data
codes = qc.codes
print(codes)
>> array([0, 0, 1, 1, 2, 2], dtype=int8)
于 2018-01-29T11:53:18.180 回答
2

倾斜分布的更新：

我遇到了与@astabada 相同的问题，想要创建每个包含相同数量样本的箱。在应用@aganders3 提出的解决方案时，我发现它对于偏斜分布的效果不是特别好。在倾斜数据的情况下（例如具有大量零的数据），stats.mstats.mquantiles对于预定义的分位数将不能保证每个 bin 中的样本数量相等。您将获得如下所示的 bin 边缘：

[0. 0. 4. 9.]

在这种情况下，第一个垃圾箱将是空的。

为了处理偏斜的情况，我创建了一个函数，stats.mstats.mquantiles如果样本在某个容差范围内不相等（示例代码中最小样本大小的 30%），该函数调用然后动态修改 bin 的数量。如果 bin 之间的样本不相等，则代码将等距分位数的数量减少 1 并stats.mstats.mquantiles再次调用，直到样本大小相等或仅存在一个 bin。

我在示例中对容差进行了硬编码，但如果需要，可以将其修改为关键字参数。

我也更喜欢将等距分位数的数量作为我的函数的参数，而不是给用户定义的分位数，stats.mstats.mquantiles以减少意外错误（即类似的错误[0., 0.25, 0.7, 1.]）。

这是代码：

import numpy as np 
from scipy import stats

def equibins(dat, binnum, **kwargs):
    numin = binnum
    while numin>1.:
        qtls = np.linspace(0.,1.0,num=numin,endpoint=False)
        ebins =stats.mstats.mquantiles(dat,qtls,alphap=kwargs['alpha'],betap=kwargs['beta'])
        allhist, allbin   = np.histogram(dat, bins = ebins)
        if (np.unique(ebins).shape!=ebins.shape or tolerence(allhist,0.3)==False) and numin>2:
            numin= numin-1
            del qtls, ebins
        else:
            numin=0
    return ebins

def tolerence(narray, percent):
    if percent>1.0:
        per = percent/100.
    else:
        per = percent
    lev_tol  = per*narray.min()
    tolerate = np.all(narray[1:]-narray[0]<lev_tol)
    return tolerate
于 2016-05-10T13:25:02.187 回答
1

只需对数据进行排序，然后按长度将其分成固定的 bin 即可！显然，如果样本数不能完全除以箱数，则您永远不能划分为完全相同填充的箱。

import math
import numpy as np
data = np.array([2,3,5,6,8,5,5,6,3,2,3,7,8,9,8,6,6,8,9,9,0,7,5,3,3,4,5,6,7])
data_sorted = np.sort(data)
nbins = 3
step = math.ceil(len(data_sorted)//nbins+1)
binned_data = []
for i in range(0,len(data_sorted),step):
    binned_data.append(data_sorted[i:i+step])
于 2017-08-31T17:05:17.077 回答