1 数据分箱
数据分箱技术在Pandas官方给出的定义:Bin values into discrete intervals,是指将值划分到离散区间。好比不同大小的苹果归类到几个事先布置的箱子中;不同年龄的人划分到几个年龄段中。
这种技术在数据处理时会很有用。
2 例子
我们先来看例子
import numpy as np
import pandas as pd
ages = np.array([5,10,36,12,77,89,100,30,1]) #年龄数据
现把数据划分成 3 个区间,并打上老、中、青的标签。Pandas提供了易用的API,很容易就可以实现。
pd.cut(ages, 3, labels=['青','中','老'])
结果如下,一行代码便实现。
[青, 青, 中, 青, 老, 老, 老, 青, 青]
cut在操作时,统计了一维数组的最小、最大值,得到一个区间长度,因为需要划分3个区间,所以会得到三个均匀的区间,如下。
pd.cut(ages, 3 )
>>>区间如下:
Categories (3, interval[float64]):
[(0.901, 34.0] < (34.0, 67.0] < (67.0, 100.0]]
给定数据的最小值为1,区间默认是左开右闭,所以为了囊括1,需要将最靠左的区间向左延长0.1%(总区间长度),默认精度为小数点后3位。