通常在分类或数据分析中，我想＆＃34; lump＆＃34;类别在一起。例如，如果用户能够在值1到6之间陈述他们的偏好，我可能想要将[1, 2], [3, 4], [5, 6]混为一谈。
在我看来，numpy.digitize()是numpy.histogram()的自然延伸，应该让我有能力执行上面提到的内容。
例如，让我们创建一个包含偶数个整数的随机数组：
In [337]: arr = numpy.random.randint(low=0, high=6, size=100)
In [340]: numpy.unique(arr)
Out[340]: array([0, 1, 2, 3, 4, 5])
numpy.historgram(bins=3)按预期执行，创建以下容器和适当的映射。
In [338]: freq, bins = numpy.histogram(arr, bins=3)
In [339]: print(bins)
Out[339]:
array([ 0. , 1.66666667, 3.33333333, 5. ]))
应该注意according the numpy.histogram()，间隔是
这按照预期进行映射，其中来自文档：
备注
除了最后一个（最右边）的垃圾箱以外的所有垃圾箱都是半开的。换一种说法， 如果
bins是::[1,2,3,4]
然后第一个bin是
[1, 2)（包括1，但不包括2）和 第二个[2, 3)。但是，最后一个bin是[3, 4]包含 4。
[0, 1] ==＆gt; 1 [2, 3] ==＆gt; 2 [4, 5] ==＆gt; 3 numpy.digitize() 如果我们遵循numpy.histogram用来构建其垃圾箱的相同逻辑，那么
函数numpy.digitize(arr, bins=bins)应该无缝地使我们达到预期的结果，
并使用与创建箱子相同的逻辑来实现。 然而，正在运行
以下代码产生了一个奇怪的结果：
In [340]: bind_arr = numpy.digitize(
arr, bins=bins)
In [341]: print(numpy.unique(bind_arr))
Out[347]: array([1, 2, 3, 4])
发生的事情是numpy.digitize假设bin[i - 1] <= x < bin[i]，意思是
5.构建中包含的bin现在已排除（并且已经拥有自己的bin）
我使用的简单黑客一直是：
In [348]: tol = .0001
In [349]: bins[-1] += tol
现在numpy.digitize()函数按预期工作，下面的函数提供了预期的结果：
In [358]: bind_arr2 = numpy.digitize(arr, bins=bins)
In [359]: print(numpy.unique(bind_arr2))
Out[359]: array([1, 2, 3])
我的问题：是否有一种直接的方式来执行我上面列出的（普通）操作
增加最后的垃圾箱？这似乎是不一致的逻辑，不是吗？最后，这种类型的逻辑是否足够有效（在人们的意见中）我应该发出拉取请求以将功能添加到numpy.digitize()？