Question

我根据一组分裂点编码一个hash-table-ish索引机制，该机制返回一个整数的区间数（0到n）。

例如，如果将整数分割为值3（一个分割点，即两个间隔），我们可以使用简单的比较找到每个数组元素的间隔号：

>>> import numpy as np
>>> x = np.array(range(7))
>>> [int(i>3) for i in x]
[0, 0, 0, 0, 1, 1, 1]

当有多个间隔时，我们可以定义如下函数：

>>> def get_interval_id(input_value, splits):                                                                                                                                                               
...     for i,split_point in enumerate(splits):
...         if input_value < split_point:
...             return i
...     return len(splits)
... 
>>> [get_interval_id(i, [2,4]) for i in x]
[0, 0, 1, 1, 2, 2, 2]

但是这个解决方案并不优雅。是否有任何Pythonic（更好）的方式来完成这项工作？

Answer 1

Python本身并没有这个过程的易处理函数，称为 binning 。如果您愿意，可以将函数包装成单行命令，但这种方式更具可读性。

但是，数据框包通常具有全功能的分箱方法; Python中最受欢迎的是PANDAS。这允许您以相等的间隔，相等的分区（每个箱中相同数量的条目）或自定义拆分值（您的情况）收集或分类值。有关详细讨论和示例，请参阅this question。

当然，这意味着您必须安装并导入pandas并将列表转换为数据框。如果这太麻烦了，那就保持当前的实施;它可读，直截了当，而且相当短。

Answer 2

由于您已经在使用它，我建议您使用digitize中的numpy方法：

>>> import numpy as np
>>> np.digitize(np.array([0, 1, 2, 3, 4, 5, 6]), [2, 4])
array([0, 0, 1, 1, 2, 2, 2])

来自documentation：

返回输入数组中每个值的bin的索引所属

Answer 3

如何将整个过程包装在一个函数中而不是仅仅过程的一半？

>>> get_interval_ids([0 ,1, 2, 3, 4, 5 ,6], [2, 4])
[0, 0, 1, 1, 2, 2, 2]

，你的功能看起来像

def get_interval_ids(values, splits):

    def get_interval_id(input_value):
        for i,split_point in enumerate(splits):
            if input_value < split_point:
                return i
        return len(splits)

    return [get_interval_id(val) for val in values]

Pythonic方法从分裂点索引整数的间隔

3 个答案: