将浮点数量化为任意数量的 bins 的一般方法？

Question

我想将一系列最大值和最小值分别为 X 和 Y 的数字量化为任意数量的 bin。例如，如果我的数组的最大值是 65535，最小值是 0（不要假设这些都是整数）并且我想将这些值量化为 2 个 bin，所有大于 floor(65535/2) 的值将变为 65535，其余变为 0。如果我想从 1 到 65535 之间的任何数字量化数组，类似的故事会重复。我想知道，是否有一种有效且简单的方法可以做到这一点？如果不是，对于 2 的幂数，我怎样才能有效地做到这一点？虽然伪代码会很好，但 Python + Numpy 是首选。

Answer 1

这不是最优雅的解决方案，但是：

MIN_VALUE = 0
MAX_VALUE = 65535
NO_BINS = 2   

# Create random dataset from [0,65535] interval
numbers = np.random.randint(0,65535+1,100)

# Create bin edges
bins = np.arange(0,65535, (MAX_VALUE-MIN_VALUE)/NO_BINS)

# Get bin values
_, bin_val = np.histogram(numbers, NO_BINS-1, range=(MIN_VALUE, MAX_VALUE))

# Change the values to the bin value
for iter_bin in range(1,NO_BINS+1):
    numbers[np.where(digits == iter_bin)] = bin_val[iter_bin-1]

更新

做同样的工作：

import pandas as pd
import numpy as np

# or bin_labels = [i*((MAX_VALUE - MIN_VALUE) / (NO_BINS-1)) for i in range(NO_BINS)]
_, bin_labels = np.histogram(numbers, NO_BINS-1, range=(MIN_VALUE, MAX_VALUE))

pd.cut(numbers, NO_BINS, right=False, labels=bin_labels)

将浮点数量化为任意数量的 bins 的一般方法？

General way to quantize floating point numbers into arbitrary number of bins?

python

math

floating-point

arbitrary-precision

quantization