pandas数据离散化和合并
为什么要离散化
连续属性离散化的目的是为了简化数据结构,数据离散化技术可以用来减少给定连续属性值的个数。离散化方法经常作为数据挖掘的工具。
什么是数据的离散化
连续属性的离散化就是在连续属性的值域上,将值域划分为若干个离散的区间,最后用不同的符号或整数 值代表落在每个子区间中的属性值。
离散化有很多种方法,这使用一种最简单的方式去操作
- 原始人的身高数据:165,174,160,180,159,163,192,184
- 假设按照身高分几个区间段:150~165, 165~180,180~195
这样我们将数据分到了三个区间段,我可以对应的标记为矮、中、高三个类别,最终要处理成一个"哑变量"矩阵
例:
股票的涨跌幅离散化
读取股票的数据
data = pd.read_csv("./data/stock_day.csv")
data.head() p_change= data['p_change']
使用的工具:
- pd.qcut(data, q):
- 对数据进行分组将数据分组,一般会与value_counts搭配使用,统计每组的个数
- series.value_counts():统计分组次数
# 自动分成差不多数量的类别 qcut = pd.qcut(p_change, 10) qcut.value_counts()
自定义区间分组:
pd.cut(data, bins)
# 指定分组区间 bins = [-100, -7, -5, -3, 0, 3, 5, 7, 100] p_count = pd.cut(p_change, bins)
p_count.value_counts()
什么是one-hot编码:
把每个类别生成一个布尔列,这些列中只有一列可以为这个样本取值为1.其又被称为热编码。
把下图中左边的表格转化为使用右边形式进行表示:
pandas.get_dummies(data, prefix=None)
-
data:array-like, Series, or DataFrame
-
prefix:分组名字
# 得出one-hot编码矩阵 dummies = pd.get_dummies(p_counts, prefix="rise")
合并
pd.concat实现数据合并
pd.concat([data1, data2], axis=1)
- 按照行或列进行合并,axis=0为列索引,axis=1为行索引
我们将刚才处理好的one-hot编码与原数据合并
pd.concat([data, dummies],axis=1)
pd.merge
pd.merge(left, right, how='inner', on=None)
- 可以指定按照两组数据的共同键值对合并或者左右各自
left
: DataFrameright
: 另一个DataFrameon
: 指定的共同键- how:按照什么方式连接
left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'], 'key2': ['K0', 'K1', 'K0', 'K1'], 'A': ['A0', 'A1', 'A2', 'A3'], 'B': ['B0', 'B1', 'B2', 'B3']}) right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'], 'key2': ['K0', 'K0', 'K0', 'K0'], 'C': ['C0', 'C1', 'C2', 'C3'], 'D': ['D0', 'D1', 'D2', 'D3']})
left
right
默认内连接
pd.merge(left, right, on=["key1", "key2"])
左连接
pd.merge(left, right, on=["key1", "key2"], how="left")
右连接
pd.merge(left, right, on=["key1", "key2"], how="right")
外连接
pd.merge(left, right, on=["key1", "key2"], how="outer")