↓推薦關注↓
分箱是一種常見的數據預處理技術有時也被稱為分桶或離散化，他可用於將連續數據的間隔分組到「箱」或「桶」中。
在本文中，我們將討論使用 python Pandas 庫對數值進行分箱的 4 種方法。
我們創建以下合成數據用於演示
importpandasaspd#version1.3.5importnumpyasnpdefcreate_df():df=pd.DataFrame({'score':np.random.randint(0,101,1000)})returndfcreate_df()df.head()數據包括 1000 名學生的 0 到 100 分的考試分數。而這次的任務是將數字分數分為值「A」、「B」和「C」的等級，其中「A」是最好的等級，「C」是最差的等級。
1、between & locPandas .between 方法返回一個包含 True 的布爾向量，用來對應的 Series 元素位於邊界值 left 和 right 之間。
參數有下面三個：
根據以下間隔規則將學生的分數分為等級：
其中方括號 [ 和圓括號 ) 分別表示邊界值是包含的和不包含的。我們需要確定哪個分數在感興趣的區間之間，並為其分配相應的等級值。注意看下面的不同的參數表示是否包含邊界
df.loc[df['score'].between(0,50,'both'),'grade']='C'df.loc[df['score'].between(50,80,'right'),'grade']='B'df.loc[df['score'].between(80,100,'right'),'grade']='A'
以下是每個分數區間的人數：
df.grade.value_counts()C 488B 310A 202Name: grade, dtype: int64此方法需要為每個 bin 編寫處理的代碼，因此它僅適用於 bin 很少的情況。
2、cut可以使用 cut將值分類為離散的間隔。此函數對於從連續變量到分類變量也很有用。
cut的參數如下：
這樣就創建一個包含 bin 邊界值的 bins 列表和一個包含相應 bin 標籤的標籤列表。
查看每個區段的人數
df.grade.value_counts()C 488B 310A 202Name: grade, dtype: int64結果與上面示例相同。
3、qcutqcut可以根據排名或基於樣本分位數將變量離散為大小相等的桶[3]。
在前面的示例中，我們為每個級別定義了分數間隔，這回使每個級別的學生數量不均勻。在下面的示例中，我們將嘗試將學生分類為 3 個具有相等（大約）數量的分數等級。示例中有 1000 名學生，因此每個分箱應該有大約 333 名學生。
qcut參數：
如果 retbins 設置為 True 則會返回 bin 邊界。
print(cut_bin)>>[0.36.68.100.]分數間隔如下：
使用 .value_counts() 檢查每個等級有多少學生。理想情況下，每個箱應該有大約 333 名學生。
df.grade.value_counts()C 340A 331B 329Name: grade, dtype: int644、value_counts雖然 pandas .value_counts 通常用於計算系列中唯一值的數量，但它也可用於使用 bins 參數將值分組到半開箱中。
df['score'].value_counts(bins=3,sort=False)默認情況下， .value_counts 按值的降序對返回的系列進行排序。將 sort 設置為 False 以按其索引的升序對系列進行排序。
(-0.101, 33.333] 310(33.333, 66.667] 340(66.667, 100.0] 350Name: score, dtype: int64series 索引是指每個 bin 的區間範圍，其中方括號 [ 和圓括號 ) 分別表示邊界值是包含的和不包含的。返回series 的值表示每個 bin 中有多少條記錄。
與 .qcut 不同，每個 bin 中的記錄數不一定相同（大約）。.value_counts 不會將相同數量的記錄分配到相同的類別中，而是根據最高和最低分數將分數範圍分成 3 個相等的部分。分數的最小值為 0，最大值為 100，因此這 3 個部分中的每一個都大約在 33.33 範圍內。這也解釋了為什麼 bin 的邊界是 33.33 的倍數。
我們還可以通過傳入邊界列表來定義 bin 邊界。
df['score'].value_counts(bins=[0,50,80,100],sort=False)(-0.001, 50.0] 488(50.0, 80.0] 310(80.0, 100.0] 202Name: score, dtype: int64這給了我們與示例 1 和 2 相同的結果。
總結在本文中，介紹了如何使用 .between、.cut、.qcut 和 .value_counts 對連續值進行分箱。這裡是本文的源代碼：
來源:https://colab.research.google.com/drive/1yWTl2OzOnxG0jCdmeIN8nV1MoX3KQQ_1%3Fusp%3Dsharing
長按或掃描下方二維碼，後台回覆：加群，即可申請入群。一定要備註：來源+研究方向+學校/公司，否則不拉入群中，見諒！
（長按三秒，進入後台）
推薦閱讀
留言列表