数据分箱技术在Python中实现

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。