连续属性离散化
发布时间：2020-12-14 04:29:10 所属栏目：大数据 来源：网络整理
导读：? 将数据分配到一个数据空间中 ages = [20,22,25,27,21,23,37,31,61,45,41,32] bins = [18,35,60,100] cats = pd.cut(ages,bins) 由bins可以得到四个空间，然后将ages中每一个数字放入合适的空间中 ? 获得每个数据的空间名 cats.labels ? 获得总共划分了多少
?将数据分配到一个数据空间中 ages = [20,22,25,27,21,23,37,31,61,45,41,32] bins = [18,35,60,100] cats = pd.cut(ages,bins) 由bins可以得到四个空间，然后将ages中每一个数字放入合适的空间中 ? 获得每个数据的空间名 cats.labels ? 获得总共划分了多少空间 cats.levels ? 查看每个空间有多少数据被划分进去 pd.value_counts(cats) ? 指定每个空间的开闭口的方位 pd.cut(ages,[18,26,36,100],right=False) ? 为空间命名 group_names = [‘Youth‘,‘YoungAdult‘,‘MiddleAged‘,‘Senior‘] pd.cut(ages,bins,labels=group_names) ? 将数据从大到小排序后等分为4份 data = np.random.rand(20) pd.cut(data,4,precision=2) ? 默认qcut()将数据n等分，可以同给给出累计分布值的方式对数据进行划分 data = np.random.randn(1000) # Normally distributed cats = pd.qcut(data,4) # Cut into quartiles pd.value_counts(cats) ? pd.qcut(data,[0,0.1,0.5,0.9,1.]) （编辑：李大同） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |