在Python中使用numpy / scipy进行binning的矢量化方法

Question

我正在使用np.digitize将Python中的2d数组（x by y）合并到其x值的区间（在“bins”中给出）：

elements_to_bins = digitize(vals, bins)

其中“vals”是一个二维数组，即：

 vals = array([[1, v1], [2, v2], ...]). 

elements_to_bins只是说每个元素落入哪个bin。 我当时想要做的是得到一个列表，其长度是“箱子”中的箱数，每个元素返回落入该箱的“val”的y维度。 我现在这样做：

points_by_bins = []
for curr_bin in range(min(elements_to_bins), max(elements_to_bins) + 1):
    curr_indx = where(elements_to_bins == curr_bin)[0]
    curr_bin_vals = vals[:, curr_indx]
    points_by_bins.append(curr_bin_vals)

有没有更优雅/更简单的方法来做到这一点？ 我只需要列出每个bin中的y值列表。

谢谢。

Answer 1

如果我理解你的问题：

vals = array([[1, 10], [1, 11], [2, 20], [2, 21], [2, 22]])  # Example

(x, y) = vals.T  # Shortcut
bin_limits = range(min(x)+1, max(x)+2)  # Other limits could be chosen
points_by_bin = [ [] for _ in bin_limits ]  # Final result
for (bin_num, y_value) in zip(searchsorted(bin_limits, x, "right"), y):  # digitize() finds the correct bin number
    points_by_bin[bin_num].append(y_value)

print points_by_bin  # [[10, 11], [20, 21, 22]]

Numpy的快速数组操作searchsorted()用于最大效率。 然后逐个添加值（因为最终结果不是矩形数组，Numpy对此无能为力）。 此解决方案应该比循环中的多个where()调用更快，这会迫使Numpy多次重新读取同一个数组。

Answer 2

这将返回类似于IDL HISTOGRAM的Reverse_Indices的数据结构：

ovec = np.argsort(vals)
ivec = np.searchsorted(vals, bin_limits, sorter=ovec)

那么落入bin #i的元素列表就是

ovec[ ivec[i] : ivec[i+1] ]

（我的快速计时测试表明这比EOL的算法快5倍，因为它不会创建不同大小的列表）

Answer 3

bin键是否只是整数，没有binning，就像你的例子一样？ 然后你可以这样做，没有numpy：

from collections import defaultdict
bins = defaultdict(list)  # or [ [] ...] as in EOL

vals = [[1, 10], [1, 11], [2, 20], [2, 21], [2, 22]]  # nparray.tolist()
for nbin, val in vals:
    bins[nbin].append(val)

print "bins:", bins
# defaultdict(<type 'list'>, {1: [10, 11], 2: [20, 21, 22]})