如何用NumPy对(6000,2)数组做二维分箱统计及3D数组深度标准差计算

一、单个二维数组的10x10分箱计数 #

直接使用np.histogram2d即可高效完成统计，无需手动条件判断或依赖绘图工具。该函数会自动按指定范围和分箱数统计每个格子内的数据点数量：

import numpy as np

# 生成测试数据（6000个二维坐标点）
a = np.random.rand(6000, 2)

# 计算0-1范围内10x10分箱的点数量
counts, x_edges, y_edges = np.histogram2d(
    a[:, 0],  # x轴数据
    a[:, 1],  # y轴数据
    bins=10,  # 每个维度10个分箱
    range=[[0, 1], [0, 1]]  # 分箱范围
)

# counts即为10x10的结果数组，每个元素对应对应分箱内的点数
print(counts.shape)  # 输出: (10, 10)

二、三维数组的分箱深度方向标准差 #

假设你的三维数组由多个(N,2)的二维点集堆叠而成，我们先对每个深度层的点集计算分箱计数，再沿深度维度计算每个分箱的标准差：

import numpy as np

# 生成测试数据：2个深度层，每层6000个二维坐标点
a = np.random.rand(6000, 2)
b = np.random.rand(6000, 2)
# 按深度维度堆叠，shape变为(2, 6000, 2)
brick = np.stack((a, b), axis=0)

# 批量计算每个深度层的分箱计数
depth_counts = []
for layer in brick:
    layer_counts, _, _ = np.histogram2d(
        layer[:, 0], layer[:, 1], bins=10, range=[[0, 1], [0, 1]]
    )
    depth_counts.append(layer_counts)

# 转换为NumPy数组，shape为(深度层数, 10, 10)
depth_counts = np.array(depth_counts)

# 沿深度方向（axis=0）计算每个分箱的标准差
bin_std = np.std(depth_counts, axis=0)

print(bin_std.shape)  # 输出: (10, 10)

如果追求更高效率，可以用向量化操作替代循环，但对于常规深度层数来说，循环的可读性和性能已经足够。

内容的提问来源于stack exchange，提问作者Toto