【问题标题】:General way to quantize floating point numbers into arbitrary number of bins?将浮点数量化为任意数量的 bin 的一般方法?
【发布时间】:2018-05-09 06:33:01
【问题描述】:

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到2 bins 中,所有值都超过floor(65535/2)将变为65535,其余变为0。如果我想将数组从1 到65535 之间的任何数字量化,类似的故事就会重复。我想知道,有没有一种有效且简单的方法来做到这一点?如果不是,我怎样才能有效地做到这一点,因为箱数是2 的幂?虽然伪代码也可以,但首选 Python + Numpy。

【问题讨论】:

  • 是的,当然,对不起。更新了我的帖子
  • 您提到的似乎显而易见的事情是 floor(x/(range/nbins))。为什么这不是一个理想的解决方案?这似乎很容易,至于效率,我不知道你会如何改进它。

标签: python math floating-point arbitrary-precision quantization


【解决方案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)

【讨论】:

  • 我现在没有时间测试这个,很快就会测试这个。在此之前,我只想确定:您的代码是否可以使用任意位数?如果我想要 63 个垃圾箱怎么办?如果主数组的值是浮点数怎么办?
  • 您可以使用 NO_BINS 变量来定义 bin 的数量。它也适用于浮点数。显然我没有写过大量的测试。
猜你喜欢
  • 2021-09-07
  • 2018-03-31
  • 1970-01-01
  • 2023-03-26
  • 1970-01-01
  • 1970-01-01
  • 2014-02-24
  • 1970-01-01
  • 1970-01-01
相关资源
最近更新 更多