数据的分箱处理

前言   

     数据分箱处理， 即把一段连续的值切分成若干段，每一段的值看成一个分类。通常把连续值转换成离散值的过程，我们称之为分箱处理。

    例如，对于班级语文成绩 进行分箱： 60分以下分类为不及格，60~70分之间分类为良，70~85分之间分类为好，85~100分之间分类为 优秀。该过程中，我们把连续的成绩分成了四个类别，“不及格”，“良”，“好”和“优秀”就是各个类别的名称，或者叫做标签。

数据分箱处理函数—pandas的cut，qcut函数

     在pandas中，cut和qcut函数都可以进行分箱处理操作。 其中cut函数是按照数据的值进行分割，而qcut函数则是根据数据本身的数量来对数据进行分割。

示例如下：

构造需要处理的数据：

pandas cut

解析：上面的代码把数据按照由小到大的顺序平均切分成了4份， 每份的值的跨度大约是15.75。

注意： (a1, a2]表示 a < x <= b， 默认情况下， 每个区间包括最大值， 不包括最小值。但是最左边的值， 一般设置成最小值（0）减去最大值（100）的0.1%， 也就是0 - 100*0.1% = -0.1。

pandas qcut

解析：qcut()是按变量的数量来对变量进行分割，并且尽量保证每个分组里变量的个数相同。

可见：cut将根据值本身来选择箱子均匀间隔，qcut是根据这些值的频率来选择箱子的均匀间隔。

pandas的cut，qcut函数其他用法

——bins参数：按照指定的边界值对变量进行分割；

解析：如上代码，将成绩划分成了四个等级0~60：不及格；60~70：良；70~85：好；85~100：优秀。

——retbins参数：获取边界值的列表；

——right参数：设定分组的开闭区间；

——labels参数：改变cut_group列里显示的类型标签。

---

精彩回顾：

---

机器学习篇

---

python学习篇