python如何分箱

1、数据分箱

Pandas中对数据分箱技术的官方定义：Bin values into discrete intervals指的是将值分成离散的区间。就好比大小不一的苹果被分装到几个事先安排好的盒子里；不同年龄的人分为几个年龄组。

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
1
2
3

现在将数据分成 3 个区间，并将它们标记为旧、中和绿色。 Pandas 提供了易于实现的易用 API。

pd.cut(ages, 3, labels=['青','中','老'])
1

结果如下，一行代码便实现。

[青, 青, 中, 青, 老, 老, 老, 青, 青]
1

cut运行时，统计一个一维数组的最小值和值，得到一个区间长度。因为需要分成三个区间，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]]
1
2
3
4

给定数据的最小值为1，区间默认左开右闭，所以为了包含1，最左边的区间需要向左扩展0.1%（总区间长度），而默认精度为小数点后 3 位。

3、函数原型

通过上面的例子对cut有了初步的了解之后，分析cut的原型就比较容易了。

参数含义如下：

x：被切分的类数组数据，注意必须是1维；

bins：简单理解为分箱规则，就是桶。支持int 标量、序列；

right：表示是否包含区间的右边界，默认包含；

labels：分割后的bins打标签；

retbins：表示是否将分割后的bins返回，默认不返回。如为True，则：

    array([   0.901,   34.   ,   67.   ,  100.   ]))
1
2
3
4
5
include_lowest :区间的左边是开还是闭，默认为开；
duplicates;是否允许重复区间。raise：不允许，drop：允许。

python学习网，大量的免费
，欢迎在线学习！