前言

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(yù)處理技術(shù)有時(shí)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(kù)對(duì)數(shù)值進(jìn)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(xué)生的 0 到 100 分的考試分?jǐn)?shù)。而這次的任務(wù)是將數(shù)字分?jǐn)?shù)分為值“A”、“B”和“C”的等級(jí)，其中“A”是最好的等級(jí)，“C”是最差的等級(jí)。

1、between & loc

Pandas .between 方法返回一個(gè)包含 True 的布爾向量，用來(lái)對(duì)應(yīng)的 Series 元素位于邊界值 left 和 right 之間。

參數(shù)有下面三個(gè)：

• left：左邊界
• right：右邊界
• inclusive：要包括哪個(gè)邊界?？山邮艿闹禐?{“both”、“neither”、“left”、“right”}。

根據(jù)以下間隔規(guī)則將學(xué)生的分?jǐn)?shù)分為等級(jí)：

• A: (80, 100]
• B: (50, 80]
• C: [0, 50]

其中方括號(hào) [ 和圓括號(hào) ) 分別表示邊界值是包含的和不包含的。我們需要確定哪個(gè)分?jǐn)?shù)在感興趣的區(qū)間之間，并為其分配相應(yīng)的等級(jí)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(gè)分?jǐn)?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(gè) bin 編寫處理的代碼，因此它僅適用于 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(shù)對(duì)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(biāo)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(biāo)簽。必須與上面的 bins 參數(shù)長(zhǎng)度相同。
• include_lowest: (bool) 第一個(gè)區(qū)間是否應(yīng)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(gè)包含 bin 邊界值的 bins 列表和一個(gè)包含相應(yīng) bin 標(biāo)簽的標(biāo)簽列表。

查看每個(gè)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。

3、qcut

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€(gè)級(jí)別定義了分?jǐn)?shù)間隔，這回使每個(gè)級(jí)別的學(xué)生數(shù)量不均勻。在下面的示例中，我們將嘗試將學(xué)生分類為 3 個(gè)具有相等（大約）數(shù)量的分?jǐn)?shù)等級(jí)。示例中有 1000 名學(xué)生，因此每個(gè)分箱應(yīng)該有大約 333 名學(xué)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(biāo)簽。必須與生成的 bin 長(zhǎng)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?jǐn)?shù)間隔如下：

• C：[0, 36]
• B：(36, 68]
• A：(68, 100]

使用 .value_counts() 檢查每個(gè)等級(jí)有多少學(xué)生。理想情況下，每個(gè)箱應(yīng)該有大約 333 名學(xué)生。

df.grade.value_counts()

C    340
A    331
B    329
Name: grade, dtype: int64

4、value_counts

雖然 pandas .value_counts 通常用于計(jì)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(rèn)情況下， .value_counts 按值的降序?qū)Ψ祷氐南盗羞M(jìn)行排序。將 sort 設(shè)置為 False 以按其索引的升序?qū)ο盗羞M(jìn)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(gè) bin 的區(qū)間范圍，其中方括號(hào) [ 和圓括號(hào) ) 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(gè) bin 中有多少條記錄。

與 .qcut 不同，每個(gè) bin 中的記錄數(shù)不一定相同（大約）。.value_counts 不會(huì)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?jǐn)?shù)將分?jǐn)?shù)范圍分成 3 個(gè)相等的部分。分?jǐn)?shù)的最小值為 0，最大值為 100，因此這 3 個(gè)部分中的每一個(gè)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(lái)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。

以上就是Pandas對(duì)數(shù)值進(jìn)行分箱操作的4種方法總結(jié)的詳細(xì)內(nèi)容，更多關(guān)于Pandas數(shù)值分箱的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論