CPU|Pandas 对数值进行分箱操作的4种方法总结对比 Linux|操作系统

文章图片

文章图片

文章图片

文章图片

文章图片

使用 Pandas 的between 、cut、qcut 和 value_count离散化数值变量
分箱是一种常见的数据预处理技术有时也被称为分桶或离散化，他可用于将连续数据的间隔分组到“箱”或“桶”中。在本文中，我们将讨论使用 python Pandas 库对数值进行分箱的 4 种方法。

我们创建以下合成数据用于演示
import pandas as pd # version 1.3.5
import numpy as np
def create_df():
\tdf = pd.DataFrame({'score': np.random.randint(01011000))
\treturn df

create_df()
df.head()
数据包括 1000 名学生的 0 到 100 分的考试分数。而这次的任务是将数字分数分为值“A”、“B”和“C”的等级，其中“A”是最好的等级， “C”是最差的等级。

1、between & locPandas .between 方法返回一个包含 True 的布尔向量，用来对应的 Series 元素位于边界值 left 和 right[1
之间。
参数有下面三个：

left：左边界
right：右边界
inclusive：要包括哪个边界。可接受的值为 {“both”、“neither”、“left”、“right” 。

根据以下间隔规则将学生的分数分为等级：

A: (80 100
B: (50 80
C: [0 50

其中方括号 [ 和圆括号 ) 分别表示边界值是包含的和不包含的。我们需要确定哪个分数在感兴趣的区间之间，并为其分配相应的等级值。注意看下面的不同的参数表示是否包含边界
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'

以下是每个分数区间的人数：
df.grade.value_counts()

此方法需要为每个 bin 编写处理的代码，因此它仅适用于 bin 很少的情况。
2、cut可以使用 cut将值分类为离散的间隔。此函数对于从连续变量到分类变量[2
也很有用。
cut的参数如下：

x：要分箱的数组。必须是一维的。
bins：标量序列：定义允许非均匀宽度的 bin 边缘。
labels：指定返回的 bin 的标签。必须与上面的 bins 参数长度相同。
include_lowest: (bool) 第一个区间是否应该是左包含的。

bins = [0 50 80 100

labels = ['C' 'B' 'A'

df['grade'
= pd.cut(x = df['score'
bins = bins labels = labels include_lowest = True)
这样就创建一个包含 bin 边界值的 bins 列表和一个包含相应 bin 标签的标签列表。

查看每个区段的人数
df.grade.value_counts()

结果与上面示例相同。
3、qcutqcut可以根据排名或基于样本分位数将变量离散为大小相等的桶[3
。
在前面的示例中，我们为每个级别定义了分数间隔，这回使每个级别的学生数量不均匀。在下面的示例中，我们将尝试将学生分类为 3 个具有相等（大约）数量的分数等级。示例中有 1000 名学生，因此每个分箱应该有大约 333 名学生。