我有一个如下数据集：

import numpy as np
x = np.arange(0,10000,0.5)
y = np.arange(x.size)/x.size

import matplotlib.pyplot as plt
plt.loglog(x, y)
plt.show()

显然，此日志日志图中有大量冗余信息。我不需要10000点来代表这种趋势。

我的问题是：如何将这些数据分类，以便在对数刻度的每个数量级上显示统一数量的点？在每个数量级，我想得到大约十分。因此，我需要使用指数增长的bin大小来“x”，然后获取y对应于每个bin 的所有元素的平均值。

# need a nicer way to do this.
# what if I want more than 10 bins per order of magnitude?
bins = 10**np.arange(1,int(round(np.log10(x.max()))))
bins = np.unique((bins.reshape(-1,1)*np.arange(0,11)).flatten())

#array([ 0, 10, 20, 30, 40, 50, 60, 70, 80,
# 90, 100, 200, 300, 400, 500, 600, 700, 800,
# 900, 1000, 2000, 3000, 4000, 5000, 6000, 7000, 8000,
# 9000, 10000])

解决办法：可以使用np.logspace和np.outer创建任意n值的bin，如下所示。默认基数logspace为10.它生成对数间隔点，类似于linspace生成线性间隔网格。