Python 函数相当于 R 的`pretty()`？答案

【问题标题】：Python function equivalent to R's `pretty()`?Python 函数相当于 R 的`pretty()`？
【发布时间】：2017-08-21 21:14:15
【问题描述】：

我正在 Python 中复制一些 R 代码。

我被 R 的 pretty() 绊倒了。

我只需要pretty(x)，其中x 是一些数字。

大致上，函数“计算漂亮的断点”作为几个“圆形”值的序列。我不确定是否有 Python 等价物，而且我在 Google 上运气不佳。

编辑：更具体地说，这是pretty 帮助页面中的描述条目：

描述：计算一个大约 n+1 个等距“圆形”值的序列，这些值覆盖了 x 中的值的范围。选择的值是 10 的 1、2 或 5 倍。

我查看了 R 的 pretty.default() 以了解 R 对该函数的确切作用，但它最终使用了 .Internal()——这通常会导致黑暗的 R 魔法。我想我会在潜入之前四处打听。

有谁知道 Python 是否有与 R 的 pretty() 等价的东西？

【问题讨论】：

C 代码：svn.r-project.org/R/trunk/src/appl/pretty.c
pandas 有cut，numpy 有linspace，但不幸的是它们不会产生四舍五入的值。
@ayhan 我实际上认为最接近的可能是 matplotlib 在绘图上的默认刻度设置行为......虽然没有找到任何接近的东西。

标签： python r pandas numpy scipy

【解决方案1】：

它不像 R 那样优雅，但你仍然可以使用 numpy：

import numpy as np
np.linspace(a,b,n,dtype=int)

其中a 是范围的开始，b 是结束，n 是值的数量，而输出类型是int。

例如：

np.linspace(0,10,11,dtype=int)

数组([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

当然，如果你想让它更优雅，你可以把它包裹起来：

pretty = lambda x: np.linspace(0,x,11,dtype=int)
pretty(10)

【讨论】：

【解决方案2】：

numpy.arange 呢？

import numpy as np

print np.arange(0,16,3)

$ [ 0 3 6 9 12 15]

【讨论】：

【解决方案3】：

我认为 Lewis Fogden 发布的伪代码看起来很熟悉，而且我们确实曾经用 C++ 编写过该伪代码用于绘图例程（以确定漂亮轴标签）。我很快将它翻译成 Python，不确定这是否类似于 R 中的pretty()，但我希望它对任何人都有帮助或有用..

import numpy as np

def nicenumber(x, round):
    exp = np.floor(np.log10(x))
    f   = x / 10**exp

    if round:
        if f < 1.5:
            nf = 1.
        elif f < 3.:
            nf = 2.
        elif f < 7.:
            nf = 5.
        else:
            nf = 10.
    else:
        if f <= 1.:
            nf = 1.
        elif f <= 2.:
            nf = 2.
        elif f <= 5.:
            nf = 5.
        else:
            nf = 10.

    return nf * 10.**exp

def pretty(low, high, n):
    range = nicenumber(high - low, False)
    d     = nicenumber(range / (n-1), True)
    miny  = np.floor(low  / d) * d
    maxy  = np.ceil (high / d) * d
    return np.arange(miny, maxy+0.5*d, d)

这会产生例如：

pretty(0.5, 2.56, 10)
pretty(0.5, 25.6, 10)
pretty(0.5, 256, 10 )
pretty(0.5, 2560, 10)

[ 0.5 1. 1.5 2. 2.5 3. ]

[0. 5. 10. 15. 20. 25. 30.]

[0. 50. 100. 150. 200. 250. 300.]

[0. 500. 1000. 1500. 2000. 2500. 3000.]

【讨论】：