连续数据的离散化处理--pandas.cut与pandas.qcut

Python实现连续数据的离散化处理主要基于两个函数，pandas.cut和pandas.qcut，今天主要介绍这两个函数。

我们先回忆一下，连续数据离散化方法中无监督学习方法主要有两种：

• 等宽法
  等宽法即是将属性值分为具有相同宽度的区间，区间的个数k根据实际情况来决定。比如属性值在[0，60]之间，最小值为0，最大值为60，我们要将其分为3等分，则区间被划分为[0,20] 、[21,40] 、[41，60]，每个属性值对应属于它的那个区间。
• 等频法
  等宽法即是将属性值分为具有相同宽度的区间，区间的个数k根据实际情况来决定。比如有60个样本，我们要将其分为k=3部分，则每部分的长度为20个样本。

其中,等宽法使用的函数为pandas.cut，等频法使用的函数为pandas.qcut
现在我们主要介绍一下两个函数.

一、pandas.cut–将数据均匀划分成n等份，每份的间距相等

pandas.cut()是按指定分界点对连续数据进行分箱处理。

pd.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False) 

• x：需要离散化的数组、Series、DataFrame对象

• bins：,分组数据，输入整数、序列尺度、或间隔索引，如果bins是一个整数，它定义了x宽度范围内的等宽面元数量，但是在这种情况下，x的范围在每个边上被延长1%，以保证包括x的最小值或最大值。如果bin是序列，它定义了允许非均匀bin宽度的bin边缘。在这种情况下没有x的范围的扩展。

• right：right=True表示分组右边闭合，right=False表示分组左边闭合

• labels：表示分组的自定义标签，必须与结果箱相同长度。如果FALSE，只返回整数指标面元。

• retbins:布尔值,是否返回面元，retbins为True还返回用浮点数填充的N维数组

• precision:整数。返回面元的小数点几位

• include_lowest:布尔值,第一个区间的左端点是否包含

下面我们用代码了解其主要做作用：

#导包
import numpy as np
import pandas as pd
# 有一组人员年龄数据，希望将这些数据划分为"18到25"，"26到35","36到60"，"60以上"几个面元
ages = [20, 22, 25, 27, 21, 23, 37, 31, 61, 45, 41, 32]   
bins = [18, 25, 35, 60, 100] ]# 指定箱子的分界点

pandas.cut函数：

cut_1= pd.cut(ages,bins)
cut_1

cut_1输出结果：返回的是一个特殊的Categorical对象–一组表示面元名称的字符串

[(18, 25], (18, 25], (18, 25], (25,