主要内容

histcounts2

二元直方图bin计数

折叠所有页面

语法

[N Xedges Yedges] = histcounts2 (X, Y)
[N Xedges Yedges] = histcounts2 (X, Y, nbins)
[N Xedges Yedges] = histcounts2 (X, Y, Xedges Yedges)
[N Xedges Yedges] = histcounts2 (___，名称，价值）
[N Xedges Yedges, binX binY] = histcounts2 (___）

描述

例子

［N，Xedges，Yedges] = histcounts2（X, Y）分区值X和Y放入2-D容器，并返回容器计数以及每个维度的容器边。的histcounts2函数使用自动分类算法返回选择的覆盖范围内值的统一容器X和Y并揭示了分布的潜在形状。

例子

［N，Xedges，Yedges] = histcounts2（X, Y，nbins.）指定在每个维度中使用的容器数量。

例子

［N，Xedges，Yedges] = histcounts2（X, Y，Xedges，Yedges）分区X和Y进入垃圾箱与箱边缘指定Xedges和Yedges．

N (i, j)重要的价值[X (k), Y (k)]如果Xedges（i）≤x（k）<Xedges (i + 1)和yedges（j）≤Y (k)<yedges（J + 1）．每个维度中的最后容器还包括最后(外)边。例如,[X (k), Y (k)]落入我最后一行的箱子Xedges (end-1)≤x（k）≤Xedges（结束）和yedges（i）≤Y (k)<yedges（i + 1）．

例子

［N，Xedges，Yedges] = histcounts2（___，名称,值）使用一个或多个指定的附加选项名称,值使用以前语法中的任何输入参数对参数。例如，您可以指定'binwidth'以及一个二元素向量，用于调整每个维度中容器的宽度。

例子

［N，Xedges，Yedges，binX，binY] = histcounts2（___）也返回索引数组binX和binY，使用任何前面的语法。binX和binY数组的大小是否相同X和Y哪些元素是对应元素的bin索引X和Y．元素的数量（I，J）这个箱子等于nnz (binX = =我& binY = = j)，也就是N (i, j)如果归一化是“数”．

例子

全部折叠

打开生活的脚本

将100对随机数分配到容器中。histcounts2自动选择适当的仓宽以显示数据的底层分布。

x = randn（100,1）;y = randn（100,1）;[n，xedges，yedges] = histcounts2（x，y）
N =7×60 0 0 2 0 0 1 2 10 4 0 0 1 4 9 9 5 0 1 4 10 11 5 1 1 4 6 3 11 1 0 0 1 2 0 0 0 0 1 0 1 0
Xedges =1×83 -2 -1 0 1 2 3 4
Yedges =1×7-3 -2 -1 0 1 2 3
打开生活的脚本

把10对数字分配到12个箱子里。在x维中指定3个箱子，在y维中指定4个箱子。

X = [1 1 2 3 2 1 1 2 3];Y = [5 6 3 8 9 1 2 7 5 1];n宾斯= [3 4];[N Xedges Yedges] = histcounts2 (x, y, nbins)
N =3×41 0 2 1 1 1 1 1 1 1 0 0 1
Xedges =1×40.6000 1.4000 2.2000 3.0000
Yedges =1×50 2.3000 4.6000 6.9000 9.2000
打开生活的脚本

将1000对随机数分配到容器中。使用两个向量定义BIN边缘：每个向x和y尺寸为一个。每个矢量中的第一个元素指定了第一箱的第一边缘，最后一个元素是最后一个箱的最后边缘。

X = RANDN（1000,1）;Y = Randn（1000,1）;Xedges = -5：5;yedges = [-5 -4 -2 -1-0.5 0 0.5 1 2 4 5];N = histcounts2（X，Y，Xedges，Yedges）
N =600100 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 5 5 3 5 1 2 0 0 0 2 19日23日29日25日26日20 5 0 0 10 36 51 59 71 54 46 10 0 0 7 43 46 79 64 60 46 9 0 0 3 12 18 21 23 19 9 6 0 0 0 8 5 3 2 2 2 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
打开生活的脚本

将1000对随机数分配到容器中。指定归一化作为“概率”将容器计数标准化，以便总和(N (:))是1．也就是说，每个箱数代表观察到在该箱内的概率。

X = RANDN（1000,1）;Y = Randn（1000,1）;[n，xedges，yedges] = histcounts2（x，y，6，“归一化”，“概率”）
N =6×60 0 0.0020 0.0020 0 0 0 0 0.0110 0.0320 0.0260 0.0070 0.0010 0.00260 0.110 0.1750 0.0430 0.0060 0 0.0 0.0.0.0.0.0.0 0.0.030 0.0.0370 0.0 0.0040 0.0300 0.0100 0.0010 0 0.0100
Xedges =1×7-4.0000 -2.7000 -1.4000 -0.1000 1.2000 2.5000 3.8000
Yedges =1×7-4.0000 -2.7000 -1.4000 -0.1000 1.2000 2.5000 3.8000
打开生活的脚本

在-10和10之间分配1000个随机整数对到bins，并指定BinMethod作为“整数”使用以整数为中心的单位宽度容器。指定五个输出histcounts2返回表示数据所在容器位置的向量。

x =兰迪([10]-10年,1000年,1);y =兰迪([10]-10年,1000,1);[N Xedges Yedges, binX binY] = histcounts2 (x, y,'binmethod'，“整数”)；

确定值所在的容器(x (3), (3))落入。

[x (3), (3))
ans =1×28 10
bin = [binX(3) binY(3)]
本=1×23 21

输入参数

全部折叠

分布在箱中的数据，指定为矢量，矩阵或多维数组的单独参数。X和Y必须有相同的尺寸。

对应的元素X和Y指定x和y二维数据点的坐标，[X (k), Y (k)]．数据类型X和Y可以是不同的。

histcounts2忽略所有南值。同样的,histcounts2忽略了INF.和负除非BIN边缘明确指定的值INF.或负作为仓边。

数据类型:单|双倍的|int8|int16|INT32.|int64|uint8|uint16|uint32|uint64|逻辑

每个维度中的容器数，指定为正标量整数或正整数的二元素向量。如果没有指定nbins.,然后histcounts2根据里面的值自动计算要使用多少个箱子X和Y：

  • 如果nbins.那是一个标量histcounts2在每个维度中使用这么多的容器。

  • 如果nbins.是向量吗nbins (1)属性中容器的数量x-dimension和nbins (2)属性中容器的数量y-尺寸。

例子：[N,Xedges,Yedges] = histcounts2(X,Y，[15 20])使用了15个垃圾桶x- 在上限和20个垃圾箱y-尺寸。

bin边缘x-dimension，指定为向量。Xedges (1)第一个箱子的第一条边在吗x维度,Xedges（结束）是最后一个箱子的外缘。

数据类型:单|双倍的|int8|int16|INT32.|int64|uint8|uint16|uint32|uint64|逻辑

bin边缘y-dimension，指定为向量。Yedges (1)第一个箱子的第一条边在吗y维度,yedges（结束）是最后一个箱子的外缘。

数据类型:单|双倍的|int8|int16|INT32.|int64|uint8|uint16|uint32|uint64|逻辑

名称-值参数

指定可选的逗号分隔的对名称,值论点。的名字参数名和价值为对应值。的名字必须出现在引号内。可以以任意顺序指定多个名称和值对参数name1，value1，...，namen，valuen．

例子：[N Xedges Yedges] = histcounts2 (X, Y,“正常化”,“概率”)使垃圾箱计数正常N,这样总和（n）是1。

Binning算法，指定为此表中的值之一。

价值 描述
“汽车”

默认的“汽车”算法选择一个仓宽来覆盖数据范围，并揭示底层分布的形状。
“斯科特。”

斯科特的规则是最佳的，如果数据接近是共同正常分布的。此规则也适用于大多数其他分布。它使用了一个箱的大小[3.5 *性病(X(:)) *元素个数(X) ^(1/4), 3.5 *性病(Y(:)) *元素个数(Y) ^ (1/4)．
“fd”

Freedman-DiaConis规则对数据中的异常值不太敏感，并且可能更适合具有重型分布的数据。它使用了一个箱的大小[2 *差(X(:)) *元素个数(X) ^(1/4), 2 *差(Y(:)) *元素个数(Y) ^ (1/4),在那里位差是四分位区间。
“整数”

整数规则对于整数数据很有用，因为它创建了以整数对为中心的容器。它为每个维度使用1的仓宽，并将仓边放置在整数中间。

为了避免意外创建过多的容器，您可以使用此规则创建1024个容器的限制(210）.如果任意维度的数据范围大于1024，则整数规则将使用更宽的容器。

histcounts2并不总是使用这些精确的公式来选择箱子的数量。有时会稍微调整桶的数量，使桶的边缘落在“好的”数字上。

例子：[n，xedges，yedges] = histcounts2（x，y，'binmethod'，'整数'）使用以整数对为中心的2-D容器。

每个维度上箱子的宽度，指定为正整数的二元向量，[xWidth yWidth]．

如果您指定BinWidth,然后histcounts2可以使用最多1024个垃圾箱（210)沿每个维度。如果指定的仓宽需要更多的仓，则histcounts2使用与最大箱数相对应的较大箱宽。

例子：[N，Xedges，Yedges] = histcounts2（X，Y， 'BinWidth'，[5 10]）使用有尺寸的垃圾桶5在里面x尺寸和大小10在里面y-尺寸。

垃圾箱限制x-维，指定为二元向量，[xbmin，xbmax]．的第一个和最后一个箱子边x-尺寸。

此选项仅对垃圾箱限制范围内的数据进行分类，X > = X < = xbmax xbmin &．

垃圾箱限制y-维，指定为二元向量，[ybmin, ybmax]．的第一个和最后一个箱子边y-尺寸。

此选项仅对垃圾箱限制范围内的数据进行分类，Y > = ybmin & Y < = ybmax．

规格化的类型，指定为该表中的一个值。对于每一个本我：

  • v 我 为bin值。

  • c 我 是容器中元素的数量。

  • 一个 我 ＝ w x 我 ⋅ w y 我 每个箱子的面积，是用x和ybin宽度。

  • N 是输入数据中元素的数量。如果数据包含，该值可以大于被装箱的数据南值，或者如果某些数据位于容器限制之外。

价值 本值 笔记
“数”（默认）

v 我 ＝ c 我

  • 计数或观察的频率。

  • 箱子值的总和小于或等于元素个数(X)和元素个数(y)．总和小于元素个数(X)仅当一些输入数据没有包含在容器中时。
“countdensity”

v 我 ＝ c 我 一个 我

  • 计数或频率按箱的面积缩放。

  • BIN卷的总和（n值*箱区域）小于或等于元素个数(X)和元素个数(Y)．
“cumcount”

v 我 ＝ ∑ j ＝ 1 我 c j

  • 累计计数。每个箱子的值是在每个箱子和所有之前的箱子中观察到的累积数量x和y方面。

  • N(结束,结束)是小于还是等于元素个数(X)和元素个数(Y)．
“概率”

v 我 ＝ c 我 N

  • 相对概率。

  • 总和(N (:))是小于还是等于1．
“pdf”

v 我 ＝ c 我 N ⋅ 一个 我

  • 概率密度函数估计。

  • BIN卷的总和（n值*箱区域）小于或等于1．
'CDF'

v 我 ＝ ∑ j ＝ 1 我 c j N

  • 累积密度函数估计。

  • N(结束,结束)是小于还是等于1．

例子：[N Xedges Yedges] = histcounts2 (X, Y,“正常化”,“pdf”)bin数据使用概率密度函数估计X和Y．

输出参数

全部折叠

Bin计数，作为数字数组返回。

中不同编号的容器的容器包含方案N，以及它们的相对方向x设在和y设在,

例如,（1,1）Bin包括落在每个维度的第一条边上的值，右下角的最后一个Bin包括落在其任何边上的值。

bin边缘x-dimension，返回为向量。Xedges (1)是第一个宾馆x-dimension和Xedges（结束）是最后一个箱边。

bin边缘y-dimension，返回为向量。Yedges (1)是第一个宾馆y-dimension和yedges（结束）是最后一个箱边。

本指数x-dimension，返回为大小相同的数字数组X．对应的元素binX和binY描述哪个编号的容器包含相应的值X和Y．的值0在binX或binY指示不属于任何容器的元素(例如南价值）。

例如,宾克斯（1）和二进制（1）描述该值的容器位置[X (1), Y (1)]．

本指数y-dimension，返回为大小相同的数字数组Y．对应的元素binX和binY描述哪个编号的容器包含相应的值X和Y．的值0在binX或binY指示不属于任何容器的元素(例如南价值）。

例如,宾克斯（1）和二进制（1）描述该值的容器位置[X (1), Y (1)]．

扩展功能

另请参阅

|||||

介绍了R2015b

MATLAB文件

金宝app

与Matlab引入深度学习

与Matlab引入深度学习

下载电子书