问一个数据快速离散化的问题

[acone2003]

我对一个一维向量 Features 进行了分箱操作，得到了每个箱体的右边界如下:NBins=[0.3, 5.4, 7.6, inf]，每个箱体指定对应的一个替代值，如[3.5, 7.8, 2.4, 3.6]，把向量离散成替代值，就是将所有小于 0.3 的值替换成 3.5 ，在 0.3 至 5.4 之间的替换成 7.8 等等，问一下怎样做速度比较快？

[necomancer]

用 numpy.array (pandas.DataFrame)?
a[a<0.3] =3.5
a[np.logical_and(a < 5.4, a > 0.3)] = 7.8

[necomancer]

可以给 NBins 加上左边界然后用 for:
vals = [3.5, 7.8, ...]
NBins = [-np.inf, 0.3, 5.4..., np.inf]
for l, r, val in zip(NBins[:-1], NBins[1:], vals):
....a[np.logical_and(a > l, a< r)] = val

[acone2003]

谢谢 necomancer ，祝你新年快乐！我现在还没有运行你上边的代码，但是有一个疑问，比如有一个值-1 ，在 a[a<0.3] =3.5 中被替换成了 3.5 ，在随后的 a[np.logical_and(a < 5.4, a > 0.3)]=7.8 中是否又被替换成了 7.8 呢？

[necomancer]

@acone2003 新年快乐！
会，这个是我脑残……这个方法大概就是暴力循环
for f in features:
....for val in f:
........for l, r, val
这样，使用 numpy 的索引大概是这个计算量（按大小判定）的两倍，但是 numpy 的各种操作非常快。我觉得这个问题可以通过边界问题搞定，例如 NBins = [a.min(), 0.3, ...., np.inf]，然后 vals 减掉一个值 V ，使所有的 vals 都小于 a.min()，即 vals-V < a.min()，然后替换完以后 a = a+V ，这个方法在数组大了以后会比循环快一些，小数组和循环没啥区别。

不过根据索引也许有个简单的方法，但是 binsize 如果非常不均匀可能需要非常小的 binsize ，你这个箱体 binsize=0.1 是刚好的，先令 NBins=np.array([0.3, ...7.6])，我觉得所以
a = np.asarray(a/binsize, dtype=np.int64)
然后生成新的 NBins:
nvals = np.diff(np.array(NBins/binsize, dtype=np.int64), prepend=0))
r = np.concatenate([ [val] * n for val, n in zip(vals, nvals)])
这里 r 会生成 2 个 3.5 ，52 个 7.8,...
然后处理边界
a[a<int(NBins[0]/0.1)] = len(r)
a[a>int(NBins[-1]/0.1)] = len(r)+1
r = np.append(r, left_bound_val)
r = np.append(r, right_bound_val)
然后 r[a] 就是结果。这样的计算量是最小的。不过需要注意两点，一是 NBins 里的值不总大于 0 ，二是很小 binsize 以及变化很急剧的 NBins 会导致一个巨长的数组 r ，也会很麻烦。不过这些可以通过线性变换你的样本和 NBins 一类的方法解决，就看具体情况了。

[niqy1988]

不要重复造轮子了
https://docs.python.org/zh-cn/3.6/library/bisect.html#other-examples