Natuurlijk! Hier is een efficiënte NumPy-functie die je continue maandelijkse verkoopcijfers categoriseert op basis van de opgegeven bin-grenzen [0, 18, 35, 50, 100]. Deze functie is geoptimaliseerd voor grote datasets en maakt gebruik van numpy.digitize voor snelle binning. ```python import numpy as np def categoriseer_verkoop(cijfers, bins): """ Categoriseert verkoopcijfers in discrete intervallen gebaseerd op opgegeven bins. Parameters: cijfers (np.ndarray): Array van continue verkoopcijfers. bins (list or np.ndarray): Lijst of array met bin-grenzen. Returns: np.ndarray: Array met categorizatie-indices voor elk cijfer. """ # Digitize geeft voor elk cijfer de bin-index terug # 'right=False' betekent dat de bins links gesloten zijn: [a, b) categorisaties = np.digitize(cijfers, bins, right=False) return categorisaties # Voorbeeldgebruik: verkoopgegevens = np.array([...]) # Jouw maandelijkse verkoopcijfers voor 2023 bin_grenzen = [0, 18, 35, 50, 100] categorisaties = categoriseer_verkoop(verkoopgegevens, bin_grenzen) print(categorisaties) ``` **Uitleg:** - `np.digitize` verdeelt de gegevens in bins volgens de opgegeven grenzen. - De resulterende array bevat indices die aangeven in welk interval elk cijfer valt. - Deze aanpak is zeer snel en schaalbaar voor grote datasets. **Tip:** Als je de labels voor de intervallen wilt (bijvoorbeeld 'laag', 'gemiddeld', 'hoog'), kun je de indices koppelen aan een lijst met labels: ```python labels = ['laag', 'gemiddeld', 'hoog', 'zeer hoog', 'maximaal'] labels_gebruik = [labels[i-1] for i in categorisaties] ``` Hiermee krijg je een array met categorielabels in plaats van numerieke indices.

Hier is een geoptimaliseerde NumPy-functie voor het categoriseren van maandelijkse verkoopcijfers met de opgegeven grenzen: ```python import numpy as np def categoriseer_verkoopcijfers(verkoop_data, bins=[0, 18, 35, 50, 100]): """ Categoriseert continue verkoopcijfers in discrete intervallen met NumPy. Parameters: verkoop_data (array): Array met maandelijkse verkoopcijfers bins (array): Grenzen voor de categorieën [0, 18, 35, 50, 100] Returns: tuple: (gecategoriseerde_data, bin_labels) """ # Optimalisatie: gebruik NumPy's digitize voor betere prestaties bins_array = np.array(bins) # Categoriseer de data met vectorized operations gecategoriseerde_indices = np.digitize(verkoop_data, bins_array, right=True) # Definieer labels voor de categorieën bin_labels = [ "Zeer Laag (0-18)", "Laag (19-35)", "Gemiddeld (36-50)", "Hoog (51-100)" ] # Converteer indices naar labels gecategoriseerde_data = np.array([bin_labels[i-1] if i > 0 else bin_labels[0] for i in gecategoriseerde_indices]) return gecategoriseerde_data, bin_labels # Voorbeeld gebruik met maandelijkse verkoopcijfers 2023 if __name__ == "__main__": # Simulatie van 12 maanden verkoopcijfers maandelijkse_verkopen = np.array([12.5, 25.8, 42.3, 8.9, 67.2, 31.4, 55.1, 19.7, 48.6, 72.8, 29.3, 60.5]) # Categoriseer de data gecategoriseerd, labels = categoriseer_verkoopcijfers(maandelijkse_verkopen) print("Originele verkoopcijfers:", maandelijkse_verkopen) print("Gecategoriseerde data:", gecategoriseerd) print("Categorie labels:", labels) ``` **Optimalisatiekenmerken:** 1. **Vectorized Operations**: Gebruikt NumPy's `digitize()` voor snelle verwerking 2. **Geheugenefficiënt**: Werkt direct op NumPy arrays zonder tussenconversies 3. **Schaalbaar**: Geschikt voor grote datasets dankzij C-geoptimaliseerde NumPy operaties **Categorie-indeling:** - **Zeer Laag**: 0 - 18 (inclusief) - **Laag**: 19 - 35 (inclusief) - **Gemiddeld**: 36 - 50 (inclusief) - **Hoog**: 51 - 100 (inclusief) **Alternatieve geoptimaliseerde versie voor extra prestaties:** ```python def categoriseer_verkoop_geoptimaliseerd(verkoop_data): """Zeer geoptimaliseerde versie zonder label-conversie overhead""" bins = np.array([0, 18, 35, 50, 100]) return np.digitize(verkoop_data, bins, right=True) ``` Deze functie is bijzonder efficiënt voor grote datasets en kan eenvoudig worden aangepast voor andere bin-grenzen.