您好,登錄后才能下訂單哦!
這篇文章主要講解了“Pandas對數(shù)值進行分箱操作的方法有哪些”,文中的講解內(nèi)容簡單清晰,易于學習與理解,下面請大家跟著小編的思路慢慢深入,一起來研究和學習“Pandas對數(shù)值進行分箱操作的方法有哪些”吧!
使用 Pandas 的between 、cut、qcut 和 value_count離散化數(shù)值變量。
分箱是一種常見的數(shù)據(jù)預處理技術(shù)有時也被稱為分桶或離散化,他可用于將連續(xù)數(shù)據(jù)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(shù)值進行分箱的 4 種方法。
我們創(chuàng)建以下合成數(shù)據(jù)用于演示
import pandas as pd # version 1.3.5 import numpy as np def create_df(): df = pd.DataFrame({'score': np.random.randint(0,101,1000)}) return df create_df() df.head()
數(shù)據(jù)包括 1000 名學生的 0 到 100 分的考試分數(shù)。而這次的任務(wù)是將數(shù)字分數(shù)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。
Pandas .between 方法返回一個包含 True 的布爾向量,用來對應的 Series 元素位于邊界值 left 和 right 之間。
參數(shù)有下面三個:
left:左邊界
right:右邊界
inclusive:要包括哪個邊界??山邮艿闹禐?{“both”、“neither”、“l(fā)eft”、“right”}。
根據(jù)以下間隔規(guī)則將學生的分數(shù)分為等級:
A: (80, 100]
B: (50, 80]
C: [0, 50]
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(shù)在感興趣的區(qū)間之間,并為其分配相應的等級值。注意看下面的不同的參數(shù)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(shù)區(qū)間的人數(shù):
df.grade.value_counts()
C 488
B 310
A 202
Name: grade, dtype: int64
此方法需要為每個 bin 編寫處理的代碼,因此它僅適用于 bin 很少的情況。
可以使用 cut將值分類為離散的間隔。此函數(shù)對于從連續(xù)變量到分類變量也很有用。
cut的參數(shù)如下:
x:要分箱的數(shù)組。必須是一維的。
bins:標量序列:定義允許非均勻?qū)挾鹊?bin 邊緣。
labels:指定返回的 bin 的標簽。必須與上面的 bins 參數(shù)長度相同。
include_lowest: (bool) 第一個區(qū)間是否應該是左包含的。
bins = [0, 50, 80, 100] labels = ['C', 'B', 'A'] df['grade'] = pd.cut(x = df['score'], bins = bins, labels = labels, include_lowest = True)
這樣就創(chuàng)建一個包含 bin 邊界值的 bins 列表和一個包含相應 bin 標簽的標簽列表。
查看每個區(qū)段的人數(shù)
df.grade.value_counts()
C 488
B 310
A 202
Name: grade, dtype: int64
結(jié)果與上面示例相同。
qcut可以根據(jù)排名或基于樣本分位數(shù)將變量離散為大小相等的桶[3]。
在前面的示例中,我們?yōu)槊總€級別定義了分數(shù)間隔,這回使每個級別的學生數(shù)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(shù)量的分數(shù)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(shù):
x:要分箱的輸入數(shù)組。必須是一維的。
q:分位數(shù)。10 表示十分位數(shù),4 表示四分位數(shù)等。也可以是交替排列的分位數(shù),例如[0, .25, .5, .75, 1.] 四分位數(shù)。
labels:指定 bin 的標簽。必須與生成的 bin 長度相同。
retbins: (bool) 是否返回 (bins, labels)。
df['grade'], cut_bin = pd.qcut(df['score'], q = 3, labels = ['C', 'B', 'A'], retbins = True) df.head()
print (cut_bin) >> [ 0. 36. 68. 100.]
分數(shù)間隔如下:
C:[0, 36]
B:(36, 68]
A:(68, 100]
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 340
A 331
B 329
Name: grade, dtype: int64
雖然 pandas .value_counts 通常用于計算系列中唯一值的數(shù)量,但它也可用于使用 bins 參數(shù)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?qū)Ψ祷氐南盗羞M行排序。將 sort 設(shè)置為 False 以按其索引的升序?qū)ο盗羞M行排序。
(-0.101, 33.333] 310 (33.333, 66.667] 340 (66.667, 100.0] 350 Name: score, dtype: int64
series 索引是指每個 bin 的區(qū)間范圍,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(shù)不一定相同(大約)。.value_counts 不會將相同數(shù)量的記錄分配到相同的類別中,而是根據(jù)最高和最低分數(shù)將分數(shù)范圍分成 3 個相等的部分。分數(shù)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 范圍內(nèi)。這也解釋了為什么 bin 的邊界是 33.33 的倍數(shù)。
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] 202
Name: score, dtype: int64
這給了我們與示例 1 和 2 相同的結(jié)果。
感謝各位的閱讀,以上就是“Pandas對數(shù)值進行分箱操作的方法有哪些”的內(nèi)容了,經(jīng)過本文的學習后,相信大家對Pandas對數(shù)值進行分箱操作的方法有哪些這一問題有了更深刻的體會,具體使用情況還需要大家實踐驗證。這里是億速云,小編將為大家推送更多相關(guān)知識點的文章,歡迎關(guān)注!
免責聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。