如何使用NumPy的histogram2d实现无循环的二维网格均值聚合

在数据分析中，我们常遇到这样的需求：有一批带有横纵坐标和对应数值的散点，希望把它们落入预设的二维网格中，并求出每个网格内数值的平均水平。如果用Python循环逐个判断点属于哪个格子再累加，代码既慢又难维护。NumPy的histogram2d可以让我们完全避开循环，高效完成二维网格均值聚合。

核心思路

histogram2d原本用于统计二维直方图，它会返回每个网格中的样本数量。如果我们把待平均的数值作为权重传入，它还能返回加权和。用加权和除以数量，就得到了均值。整个过程没有显式循环。

函数基本用法

函数签名简化如下：

import numpy as np

# x, y为坐标数组，values为对应数值
# bins指定网格边数，range指定坐标范围
count, xedges, yedges = np.histogram2d(x, y, bins=10, range=[[0, 10], [0, 10]])
sum_val, _, _ = np.histogram2d(x, y, bins=10, range=[[0, 10], [0, 10]], weights=values)
mean_grid = sum_val / count
# 将个数为0的格子设为nan，避免除零
mean_grid[count == 0] = np.nan

参数说明

• x与y：一维数组，长度相同，表示散点坐标。
• bins：整数或二元组，控制横纵方向的分箱数。
• range：形如[[xmin, xmax], [ymin, ymax]]，限定统计范围。
• weights：与x等长的数组，传入后返回加权求和而非计数。

完整示例

下面用随机数据演示无循环聚合全过程：

import numpy as np

# 生成1000个随机点及对应数值
np.random.seed(0)
x = np.random.uniform(0, 10, 1000)
y = np.random.uniform(0, 10, 1000)
values = np.random.randn(1000)

bins = 20
rng = [[0, 10], [0, 10]]

# 无循环计算网格计数与加权和
count, xedges, yedges = np.histogram2d(x, y, bins=bins, range=rng)
sum_val, _, _ = np.histogram2d(x, y, bins=bins, range=rng, weights=values)

# 计算均值并屏蔽空网格
with np.errstate(divide='ignore', invalid='ignore'):
    mean_grid = sum_val / count
mean_grid[count == 0] = np.nan

print('网格形状:', mean_grid.shape)
print('非空格子数:', np.sum(~np.isnan(mean_grid)))

注意事项

当某些格子没有点时，count为0，直接相除会产生警告或inf。使用np.errstate忽略警告并将结果置为nan是稳妥做法。另外，如果坐标超出range范围，对应点不会被计入任何格子，聚合前需确认范围覆盖数据。

相比循环写法，histogram2d在十万级以上数据点时速度可提升数十倍，且代码更易读。

小结

通过histogram2d的计数与加权统计能力，我们仅用几次数组运算就完成了二维网格均值聚合，彻底消除了Python层循环。掌握这种思路后，类似的分箱统计需求都能以简洁高效的方式解决。

NumPyhistogram2d二维网格均值聚合修改时间：2026-07-27 20:00:20