pandas的離散化，面元划分

pd.cut

pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False)

1. x：要分箱的輸入數組，必須是一維的
2. bins：int或標量序列

1. • 若bins是一個int，它定義在x范圍內的等寬單元的數量。然而，在這種情況下，x的范圍在每一側延伸0.1％以包括x的最小值或最大值
   • 若bins是一個序列，它定義了允許非均勻bin寬度的bin邊緣。在這種情況下不進行x的范圍的擴展
2. right：bool，可選：決定區間的開閉，如果right == True（默認），則區間[1,2,3,4]指示（1,2]，（2,3]，（3,4]
3. labels：array或boolean，默認值為無：用作生成的區間的標簽。必須與生成的區間的長度相同。如果為False，則只返回bin的整數指示符
4. retbins：bool，可選：是否返回bin。如果bin作為標量給出，則可能有用
5. precision：int：存儲和顯示容器標簽的精度，默認保留三位小數
6. include_lowest：bool：第一個間隔是否應該包含左邊

import numpy as np
import pandas as pd
# 使用pandas的cut函數划分年齡組
ages = [20,22,25,27,21,23,37,31,61,45,32]
bins = [18,25,35,60,100]
cats = pd.cut(ages,bins)
print(cats)  # 分類時，當數據不在區間中將變為nan
# 統計落在各個區間的值數量
print(pd.value_counts(cats))
# 使用codes為年齡數據進行標號
print(cats.codes)
# 設置自己想要的面元名稱
group_names = ['Youth','YoungAdult','MiddleAged','Senior']
print(pd.cut(ages, bins, labels=group_names))
# 設置區間數學符號為左閉右開
print(pd.cut(ages, bins, right=False))
# 向cut傳入面元的數量，則會根據數據的最小值和最大值計算等長面元
print(pd.cut(ages, 4, precision=2))  # precision=2表示設置的精度

pd.qcut

與cut類似，它可以根據樣本分位數對數據進行面元划分

pandas.qcut(x, q, labels=None, retbins=False, precision=3)  

 

1. x：ndarray或Series
2. q：整數或分位數陣列分位數。十分位數為10，四分位數為4或者，分位數陣列，例如[0，.25，.5，.75，1.]四分位數
3. labels：array或boolean，默認值為無：用作生成的區間的標簽。必須與生成的區間的長度相同。如果為False，則只返回bin的整數指示符。
4. retbins：bool，可選：是否返回bin。如果bin作為標量給出，則可能有用。
5. precision：int：存儲和顯示容器標簽的精度

import numpy as np
import pandas as pd

# qcut可以根據樣本分位數對數據進行面元划分
# data = np.random.randn(20)  # 正態分布
data = [1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20]
cats = pd.qcut(data, 4)  # 按四分位數進行切割
print(cats)
print(pd.value_counts(cats))
print("-------------------------------------------------")
# 通過指定分位數（0到1之間的數值，包含端點）進行面元划分
cats_2 = pd.qcut(data, [0, 0.5, 0.8, 0.9, 1])
print(cats_2)
print(pd.value_counts(cats_2))