用于执行线性装箱的python函数
linear_binning的Python项目详细描述
linear_binning: linear binning
执行Wand and Jones中描述的线性装箱技术 在任意维数的规则间隔网格上。这个 asymptotic behavior 这种组合技术的性能优于所谓的简单组合 （如直方图）。d-维空间中的每个数据点必须 具有相关权重（对于同等权重的点，只需使用权重 每个点的1.0的）。
例如，在具有角点A、B、C和D的二维网格（A段）内 以及具有权重wp:
的2d数据点pA-----------------------------------B | | | | | | | | |- - - - P- - - - - - - - - - - - - | | | | D-----------------------------------C
- 给角A分配P和C之间面积比例的权重 （乘以wp）
- 将权重分配给p和d之间面积比例的角b （乘以wp）
- 给角C分配P和A之间面积比例的权重 （乘以wp）
- 将权重分配给p和b之间面积比例的角d （乘以wp）
注意，当 指定每个维度中网格点的数量（网格点动作 作为垃圾箱中心）。例如，如果希望网格点以0.1步为单位 在[0,1]范围内（即（0，.1，.2，.3，.4，.5，.6，.7，.8，.9，1））， 指定轴网点数为11。在内部，网格点 存储在一个连续的数组中。这对 分配内存时沿每个维度的网格点数 每个潜在的网格点，即使它从未被使用过。适应 任意维数，任意精度的数字库 （boost multiprecision） 可能在内部使用，会对性能产生负面影响。如果这个 性能下降是不可接受的，考虑减少 以小于最大数量的方式 系统上“无符号长”中的二进制数字。
示例
这将在单位平方中构造一百万个随机二维点 随机加权并构造由51组成的网格（可以是 沿着不同的维度不同）线性组合的“仓中心”。 仓中心网格的边界由extents和指定 可以认为是底部和溢流箱（即，这些是 第一个和最后一个bin中心的坐标）。
fromlinear_binningimportlinear_binningimportnumpyasnp# generate one million random 2D points and weights# (should take less than a second to bin)n_samples=1000000D=2# coordinates, weights, and extents must be of type "double"sample_coords=np.random.random(size=(n_samples,D))sample_weights=np.random.random(size=n_samples)extents=np.tile([0.,1.],D).reshape((D,2))n_bins=np.full(D,51)coords,weights=linear_binning(sample_coords,sample_weights,extents,n_bins)# check that weights on grid match original weightsprint(np.allclose(weights.sum(),sample_weights.sum()))
依赖性
- 努比
1.1.0
添加了对自动将numpy数组转换为正确的d类型的支持。 添加了更明确的测试。
欢迎加入QQ群-->： 979659372
