前言

python數據處理與分析學習過程中，需要有這樣的一種意識，即元“為什么選擇了python而不是其他？”既然選擇了python，那么在實際應用中，它到底哪里不一樣？大家說的方便、快捷、高復用性具體體現在哪里？帶著問題進行學習，會有事半功倍的效果，記憶力和識別能力也會有所提高。

在本文，小編跟大家分享的是數據處理與分析中的“離散化或面元”。8種python技巧，讓連續數據離散化更簡潔。

8種python技巧

為了便于分析，連續數據常常被離散化或拆分為“面元“（bin），假設有一組人員數據，而你希望將它們劃分為不同的年齡組：

In [154]: ages=[20,22,25,27,21,23,37,31,61,45,41,32]

離散化或面元：cut()

接下來將這些數據劃分為“18到25“、”26到35“、”35到60“以及”60以上“幾個面元。要實現此功能，需要使用pandas的cut函數：

n [24]: ages=[20,22,25,27,21,23,37,31,61,45,41,32]

In [25]: bins=[18,25,35,60,100]

In [26]: cats=pd.cut(ages,bins)

In [27]: cats

Out[27]:

[(18, 25], (18, 25], (18, 25], (25, 35], (18, 25], ..., (25, 35],

(60, 100], (35, 60], (35, 60], (25, 35]]

Length: 12

Categories (4, interval[int64]): [(18, 25] < (25, 35] < (35, 60] < (60, 100]]

codes屬性：標號

In [29]: cats.codes

Out[29]: array([0, 0, 0, 1, 0, 0, 2, 1, 3, 2, 2, 1], dtype=int8)

value_counts方法

該方法會按照離散化或面元結果，進行符合區間的值統計，具體使用方法如下：

In [30]: pd.value_counts(cats)

Out[30]:

(18, 25] 5

(35, 60] 3

(25, 35] 3

(60, 100] 1

dtype: int64

控制開/關：right=False

跟“區間“的數學符號一樣，圓括號表示開端，而方括號則表示閉端（包括）。哪邊是閉端可以通過right=False進行修改：

In [31]: pd.cut(ages,[18,26,36,61,100],right=False)

Out[31]:

[[18, 26), [18, 26), [18, 26), [26, 36), [18, 26), ..., [26, 36),

[61, 100), [36, 61), [36, 61), [26, 36)]

Length: 12

Categories (4, interval[int64]): [[18, 26) < [26, 36) < [36, 61) < [61, 100)]

設置面元名稱：labels

設置自己的面元名稱，將labels選項設置為一個列表或數組即可：

In [33]: group_names=['Youth','YoungAdult','MiddleAged','Senior']

In [34]: pd.cut(ages,bins,labels=group_names)

Out[34]:

[Youth, Youth, Youth, YoungAdult, Youth, ..., YoungAdult,

Senior, MiddleAged, MiddleAged, YoungAdult]

Length: 12

Categories (4, object): [Youth < YoungAdult < MiddleAged < Senior]

計算等長面元

如果向cut傳入的是面元的數量而不是確切的面元邊界，則它會根據數據的最小值和最大值計算等長面元。下面這個例子中，將一些均勻分布的數組分成四組：

In [35]: data=np.random.rand(20)

In [36]: pd.cut(data,4,precision=2)

Out[36]:

[(0.039, 0.27], (0.27, 0.5], (0.73, 0.95], (0.5, 0.73],

(0.039, 0.27], ..., (0.5, 0.73], (0.27, 0.5], (0.73, 0.95],

(0.039, 0.27], (0.73, 0.95]]

Length: 20

Categories (4, interval[float64]): [(0.039, 0.27] < (0.27, 0.5]

< (0.5, 0.73] < (0.73, 0.95]]

qcut()

qcut是一個非常類似于cut的函數，它可以根據樣本分位數對數據進行面元劃分。根據數據的分布情況，cut可能無法使各個面元中含有相同數量的數據點。而qcut由于使用的是樣本分位數，因此可以得到大小基本相等的面元：

In [37]: data=np.random.randn(1000)

In [38]: cats=pd.qcut(data,4)

In [39]: cats

Out[39]:

[(-0.66, -0.0518], (0.68, 3.328], (-0.66, -0.0518], (0.68, 3.328],

(-3.452, -0.66], ..., (-3.452, -0.66], (0.68, 3.328], (-3.452, -0.66],

(-0.66, -0.0518], (-3.452, -0.66]]

Length: 1000

Categories (4, interval[float64]): [(-3.452, -0.66] < (-0.66, -0.0518]

< (-0.0518, 0.68] < (0.68, 3.328]]

In [40]: pd.value_counts(cats)

Out[40]:

(0.68, 3.328] 250

(-0.0518, 0.68] 250

(-0.66, -0.0518] 250

(-3.452, -0.66] 250

設置自定義分位數

跟cut一樣，也可以設置自定義的分位數（0到1之間的數值，包含端點）：

總結

離散化或面元是數據處理與分析中的常用方法。python提供了便捷、豐富的方法。該類方法通常是解決數據分析、機器學習或深度學習中，需要將連續性變量離散化的場景。8種不同的技巧均有其適用場景，無好與壞之分。大家可以實踐操作進行體驗，感謝大家關注！

總結

以上是生活随笔為你收集整理的离散度计算公式 python_被多种离散化场景困扰？8种python技巧！让数据处理更简单...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。