卡方分箱
python自帶分箱函數 -- 無法實現對分類型數據的分箱,可借助卡方分箱算法實現
import numpy as np
import pandas as pd
data = np.random.randint(100, size=(10000,))
#自定義分箱
#cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False, duplicates='raise')
pd.cut(data, bins=[0, 10, 20, 50, 70, 100], right=False)
#等寬分箱
pd.cut(data, bins=5, right=False, labels=range(5))
#等頻分箱
#qcut(x, q, labels=None, retbins=False, precision=3, duplicates='raise')
pd.qcut(data, q=5, labels=range(5))
#等頻分箱 - 老版本重復值過多報錯問題
'''該代碼傾向於將重復值全划分到更高的組,自帶的qcut則傾向於將其划分到更低的組'''
def pct_rank_qcut(series, n):
'''
series:要分箱的列
n:箱子數
'''
edages = pd.Series(range(1,n+1))/n #轉換成百分比
func = lambda x: (edages >= x).argmax() #返回列表中第一次出現true的索引值
return series.rank(pct=1).astype(float).apply(func) #百分位數,返回組下標,數據類型若為object,結果會有問題,因此進行了astype