python数据按照分组进行频率分布_python 等频率切分数据

小编最近入坑风控，在工作中需要对数据进行等频率切分，也就是将数据划分成几段，在每段中，数据的出现频率，出现次数是大致相同的，让数据集在每段上呈现出分布均匀的趋势。

小编先是想到df.describe

cutlist = data[col].describe()

出来的结果是：

描述结果分别就是 计数，均值，标准差，最小，四分位数，最大值

我要的是十分位，那就要借助describe的参数percentiles 了，percentiles 中可以存放切分点的列表

cutlist = data[col].describe(percentiles = [1.0*i/k for i in range(k+1)])

这时候就有十分位数了，再将十分位数取出来，但这个时候会遇到一个问题，在 cutlist["0%":"100%"] 之中，有一些重复的值，比如0%到30%的分位数都是0 ，这样子来做切分数据，是会出错，所以应该对数据进行去重

cutdata = pd.DataFrame(pd.cut(data[score],cutlist["0%":"100%"],include_lowest=True))

后来小编发现一个更加好用的函数 quantile ，顺便用drop_duplicates(keep="last") 去重并保留最后一个重复值

cutlist = data[col].quantile([1.0*i/k for i in range(k+1)],interpolation= "lower").drop_duplicates(keep="last")

quantile值得注意的是他的参数 interpolation （ 插值方法 当所需分位数位于两个数据点i和j之间时，这个可选参数指定要使用的插值方法: ） ，可填选的值为 ：‘linear’, ‘lower’, ‘higher’, ‘midpoint’, ‘nearest’

官方文档的解释是： linear :i + (j - i) *分数，其中分数是索引中被 i 和 j 包围的小数部分。

lower: i.

higher: j.

nearest: i or j 取最近的

midpoint: (i + j) / 2. 取中位数

如果不指定插值方法，当出现无法判断的情况时，是不会进行插值的

linear的插值方法example：

比如0.166666 是介于 （0.000000,0.166667 ] 之间 ,索引中被 i 和 j 包围的小数部分就是 0.3和0.4之间的小数部分0.4 ，那么

0.000000+（0.166667 - 0.000000）* 0.4 = 0.0666668

介于（0.000000,0.166667 ] 即被分到（0.000000,0.166667 ] 这段之间了。

以上是小编的想法，仅供参考，有任何新想法欢迎和我讨论！