1.我试图理解这段代码，但我无法理解。你能帮帮我吗？
a = np.arange(5)
hist, bin_edges = np.histogram(a, density=True)
hist
2.为什么是这样的输出？
array([0.5, 0. , 0.5, 0. , 0. , 0.5, 0. , 0.5, 0. , 0.5])
【问题讨论】：
arange 还是 historgram？读过文档吗？看过a和bin_edges？
请检查此post。提示：当您调用 np.histogram 时，默认 bin 值为 10，因此您的输出有 10 个元素。
【讨论】：
np.histogram 的 bins 参数的默认值为 10。因此，直方图计算了您的数组元素属于哪个 bin。在这种情况下a = np.array([0, 1, 2, 3, 4])。如果我们使用10 bins 创建直方图，那么我们将区间 0-4（包括）分成 10 个相等的 bins。这给了我们（请注意，11 个端点给了我们 10 个 bin）：
np.linspace(0, 4, 11) = array([0. , 0.4, 0.8, 1.2, 1.6, 2. , 2.4, 2.8, 3.2, 3.6, 4. ])
我们现在只需要查看您在数组a 中的元素属于哪个bin。我们可以这样计算：
[1, 0, 1, 0, 0, 1, 0, 1, 0, 1]
现在这仍然不完全是输出。 density=True 参数状态（来自文档）：“如果 True，结果是
bin处的概率密度函数，归一化使得
范围内的 积分 为 1。”
每个 bin（高度为 .5）的宽度为 .4，因此 5 x .5 x .4 = 1 是此参数的要求。
【讨论】：
numpy.arange(5) 生成一个由 5 个元素均匀分布的 numpy 数组：array([0,1,2,3,4])。
np.histogram(a, density=True) 使用 10 个 bin（这是默认值）返回 bin 边缘和从数组 a 获得的直方图的值。
bin_edges 给出了 bin 的边缘，而 histogram 给出了每个 bin 的出现次数。鉴于您设置了density=True，出现的次数被归一化（范围内的积分为 1。）。
查看here了解更多信息。
【讨论】：