【机器学习】Hog特征numpy.bincount函数

#encoding:utf-8
import numpy as np

#np.bincount()函数
x=np.array([2,1,3,4,4,3])   #最大的数4，表示有5个bin，索引0-4,
                            #out[3]=1+1=2,out[4]=1+1=2(统计个数)
print(np.bincount(x))#统计每个元素的个数，并在对应的索引位置显示个数

x2=np.array([2,1,3,4,4,3])  #索引i:0-4  对于每个输出out[i] += weights[输入元素的值所在的位置]
                            #out[3]=w[2]+w[5]=0.2-0.6=-0.4（统计所占的权重）
w=np.array([0.3, 0.5, 0.2, 0.7, 1., -0.6])
print(np.bincount(x2,weights=w))

x3 = np.array([3, 2, 1, 3, 1])
# 本来bin的数量为4，现在我们指定了参数为7，因此现在bin的数量为7，所以现在它的索引值为0->6
print(np.bincount(x3, minlength=7))

# 我们可以看到x中最大的数为3，因此bin的数量为4，那么它的索引值为0->3
x4 = np.array([3, 2, 1, 3, 1])
# 本来bin的数量为4，现在我们指定了参数为1，那么它指定的数量小于原本的数量，
# 因此这个参数失去了作用，索引值还是0->3
print(np.bincount(x4, minlength=1))

#综合二维数组
x5=np.array([[1,0,1],
              [2,1,0],
              [0,1,0]])
w5=np.array([[0.1,0.3,1.],
              [0.2,0.1,0.],
              [0.,1.,0.]])
hist = [np.bincount(b.ravel(), m.ravel(), 4) for b, m in zip(x5, w5)]
print(hist)
print(hist.__len__())

#遍历元组
x61=np.array([[1,0],
             [2,1]])
x62=np.array([[1,0],
              [0,1]])
w61=np.array([[0.1,0.3],
              [0.2,0.1]])
w62=np.array([[0.2,0.1],
              [0.2,0.2]])
x6=x61,x62  #两个ndArray类型组成的元组
w6=w61,w62
hist2 = [np.bincount(b.ravel(), m.ravel(), 3) for b, m in zip(x6, w6)]
print(hist2)
print(hist2.__len__())

输出结果：

[0 1 1 2 2]

[ 0.   0.5  0.3 -0.4  1.7]

[0 2 1 2 0 0 0]

[0 2 1 2]

#list对象
[array([0.3, 1.1, 0. , 0. ]), array([0. , 0.1, 0.2, 0. ]), array([0., 1., 0., 0.])]
3

[array([0.3, 0.2, 0.2]), array([0.3, 0.4, 0. ])]
2

参考链接：https://blog.youkuaiyun.com/xlinsist/article/details/51346523