首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >数据分箱技术在Python中实现

数据分箱技术在Python中实现

作者头像
double
发布2019-05-29 15:40:06
2.9K0
发布2019-05-29 15:40:06
举报
文章被收录于专栏:算法channel算法channel

共888字,阅读时间3分钟 点击上方蓝色字体关注公众号

1 数据分箱

数据分箱技术在Pandas官方给出的定义:Bin values into discrete intervals,是指将值划分到离散区间。好比不同大小的苹果归类到几个事先布置的箱子中;不同年龄的人划分到几个年龄段中。

这种技术在数据处理时会很有用。

2 例子

我们先来看例子

import numpy as npimport pandas as pd
ages = np.array([5,10,36,12,77,89,100,30,1]) #年龄数据

现把数据划分成 3 个区间,并打上老、中、青的标签。Pandas提供了易用的API,很容易就可以实现。

pd.cut(ages, 3, labels=['青','中','老'])

结果如下,一行代码便实现。

[青, 青, 中, 青, 老, 老, 老, 青, 青]

cut在操作时,统计了一维数组的最小、最大值,得到一个区间长度,因为需要划分3个区间,所以会得到三个均匀的区间,如下。

pd.cut(ages, 3 )>>>区间如下:Categories (3, interval[float64]): [(0.901, 34.0] < (34.0, 67.0] < (67.0, 100.0]]

给定数据的最小值为1,区间默认是左开右闭,所以为了囊括1,需要将最靠左的区间向左延长0.1%(总区间长度),默认精度为小数点后3位。

3 函数原型

通过以上例子初步认识cut后,再分析cut原型就比较容易。

参数含义如下:

x:被切分的类数组数据,注意必须是1维;

bins:简单理解为分箱规则,就是桶。支持int 标量、序列;

right:表示是否包含区间的右边界,默认包含;

labels:分割后的bins打标签;

retbins:表示是否将分割后的bins返回,默认不返回。如为True,则:

array([   0.901,   34.   ,   67.   ,  100.   ]))

include_lowest:区间的左边是开还是闭,默认为开; duplicates:是否允许重复区间。raise:不允许,drop:允许。

此系列第7篇原创。如觉得有帮助,再点好看

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2019-03-14,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 程序员郭震zhenguo 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档