数据分箱技术Binning
数据分箱就是按照某种规则将数据进行分类。就像可以将水果按照大小进行分类,售卖不同的价格一样。
对Series进行分箱
创建一个整形随机的series,表示学生的成绩:
import numpy as np
import pandas as pd
from pandas import Series, DataFrame
score_list = np.random.randint(25, 100, size=20)
然后指定一个分箱原则
bins = [0,59,70,80,100]
然后利用pandas中的cut方法,指定分箱规则和对象,结果将获得一个Categories对象:
score_cat = pd.cut(score_list, bins)
使用pandas中的value_counts方法来统计各个段内数据的个数:
pd.value_counts(score_cat)
对Dataframe分箱
创建一个包含学生分数和姓名的dataframe:
df = DataFrame()
df['score'] = score_list
df['student'] = [pd.util.testing.rands(3) for i in range(20)] # 三个随机字符串
这里的pd.util.testing.rands(3) for i in range(20)可以生成20个随机3位字符串。
然后使用前面的bins标准对df1进行分箱,得到一个Categories对象:
df['Categories'] = pd.cut(df['score'],bins)
这样子可读性不好,可以指定label参数为每个区间赋一个标签:
df['Categories'] = pd.cut(df['score'],bins, labels=['Low','OK','Good','Great'])