Matlab hist3与Python numpy.histogram2d的2D直方图维度差异及适配

差异原因 #

1. 变量顺序导致的维度转置 #

Matlab hist3 的输入是每行一个样本，第一列对应距离（第一个分箱变量），第二列对应角度（第二个分箱变量），返回的直方图矩阵 N 维度为 [距离区间数, 角度区间数]。
而Numpy histogram2d 的参数顺序是 (x, y)，默认返回的直方图维度为 [x变量区间数, y变量区间数]。如果Python代码中变量顺序（角度在前、距离在后）与Matlab相反，返回的维度会和Matlab转置，出现 72×400 与 400×72 的差异。

2. 分箱边缘与区间数的混淆 #

Matlab hist3 返回的第二个输出 C 是分箱边缘的cell数组：C{1}（距离分箱边缘）长度为 401，C{2}（角度分箱边缘）长度为 73，但实际直方图 N 的维度是 400×72（区间数=分箱边缘数-1）。你可能误将分箱边缘的长度当成了直方图的维度，误以为Matlab输出是 401×73。

3. 边界值处理的细微逻辑差异 #

• Matlab hist3 所有分箱区间为左闭右闭（[bin_i, bin_{i+1}]），等于分箱右端点的样本会被计入当前区间。
• Numpy histogram2d 默认分箱区间为左闭右开（[bin_i, bin_{i+1})），仅最后一个区间为左闭右闭，两者对等于最大值的样本处理结果一致，但分箱定义的写法不同。

适配方法 #

1. 对齐变量顺序，匹配Matlab真实维度 #

将Python中 histogram2d 的变量顺序调整为与Matlab一致（距离在前、角度在后），同时保持分箱序列与Matlab完全对应：

import numpy as np
import pandas as pd

# 定义与Matlab完全一致的分箱序列
degree_bins = np.arange(-180, 181, 5)    # 73个分箱边缘，对应72个区间
distance_bins = np.arange(0, 100.001, 0.25)  # 401个分箱边缘，对应400个区间

# 调整变量顺序：先距离（对应Matlab第一个变量），后角度（对应Matlab第二个变量）
hist, _, _ = np.histogram2d(df['dist'], df['angle'], bins=(distance_bins, degree_bins))

# 此时hist维度为400×72，与Matlab的N完全一致

2. 若需模拟“401×73”的维度（仅视觉对齐分箱边缘长度） #

如果确实需要让输出维度与Matlab分箱边缘的长度一致，可在直方图的末尾添加一行和一列零（对应额外的空分箱）：

# 在直方图底部添加一行零，右侧添加一列零
hist_padded = np.pad(hist, ((0,1), (0,1)), mode='constant', constant_values=0)
# 此时hist_padded维度为401×73，与你误以为的Matlab输出维度一致

3. 极端边界值的兼容处理 #

对于等于180或100的样本，Numpy的最后一个区间会自动闭合并包含这些样本，无需额外调整分箱序列。若遇到极端边界值不匹配的情况，可在分箱序列末尾添加微小增量（如1e-6），确保所有样本都被正确分配：

degree_bins = np.arange(-180, 180 + 5 + 1e-6, 5)
distance_bins = np.arange(0, 100 + 0.25 + 1e-6, 0.25)

内容的提问来源于stack exchange，提问作者milkz-boi