mindspore.numpy.histogramdd
- mindspore.numpy.histogramdd(sample, bins=10, range=None, weights=None, density=False)[源代码]
计算数据的多维直方图。
说明
不支持已弃用的NumPy参数 normed 。
- 参数：
sample (Union[list, tuple, Tensor]) - 要进行直方图统计的数据，可以是 (N, D) 数组，或者 (D, N) 的类数组。 注意当使用类数组为样本的非常规解释：当样本数组时，每行是D维空间中的一个坐标，例如
histogramdd(np.array([p1, p2, p3]))。 当样本为类数组时，每个元素是单一坐标系的值列表，如histogramdd((X, Y, Z))。 应优先考虑第一种形式。bins (Union[int, tuple, list], 可选) - 桶的规格： 一个数组序列用于描述沿每个维度单调递增的桶的边界。 每个维度的桶的数量
(nx, ny, ... =bins)。 所有维度的桶的数量(nx=ny...=bins)。默认值： 10 。range (Union[list, tuple], 可选) - 长度为D的序列，每个维度可以选择一个
(lower, upper)tuple来指定桶的外边界，如果边界在 bins 没有特别给出。 序列中的None项意味着其对应维度使用最小值和最大值。 默认值None相当于给 D 中Tuple传递None值。默认值：None。weights (Union[list, tuple, Tensor], 可选) - 一个shape为
(N,)的数组，其中的值w_i表示每个样本的权重(x_i, y_i, z_i, …)。默认值：None。density (boolean, 可选) - 如果为 False（默认值），则返回每个区间中的样本数量。如果为
True，则返回该区间的概率密度函数bin_count / sample_count / bin_volume。 默认值：False。
- 返回：
Tensor, 元素为Tensor的list， 直方图的值和桶边界。
- 异常：
ValueError - 如果 range 的size不等于样本数量。
- 支持平台：
AscendGPUCPU
样例：
>>> from mindspore import numpy as np >>> sample = np.arange(15).reshape(5, 3) >>> print(sample) [[ 0 1 2] [ 3 4 5] [ 6 7 8] [ 9 10 11] [12 13 14]] >>> print(np.histogramdd(sample, bins=(2, 3, 4))) (Tensor(shape=[2, 3, 4], dtype=Float32, value= [[[ 1.00000000e+00, 1.00000000e+00, 0.00000000e+00, 0.00000000e+00], [ 0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00], [ 0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00]], [[ 0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00], [ 0.00000000e+00, 0.00000000e+00, 1.00000000e+00, 0.00000000e+00], [ 0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 2.00000000e+00]]]), [Tensor(shape=[3], dtype=Float32, value= [ 0.00000000e+00, 6.00000000e+00, 1.20000000e+01]), Tensor(shape=[4], dtype=Float32, value= [ 1.00000000e+00, 5.00000000e+00, 9.00000000e+00, 1.30000000e+01]), Tensor(shape=[5], dtype=Float32, value= [ 2.00000000e+00, 5.00000000e+00, 8.00000000e+00, 1.10000000e+01, 1.40000000e+01])])