Pandas-05-数据离散化

1. 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，数据结构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。

2. 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。

3. 股票的涨跌幅离散化

对股票每日的"p_change"进行离散化

3.1. 读取股票数据

data = pd.read_csv("./data/stock_day.csv")
p_change = data["p_change"]

2018-02-27    2.68
2018-02-26    3.02
2018-02-23    2.42
2018-02-22    1.64
2018-02-14    2.05
              ... 
2015-03-06    8.51
2015-03-05    2.02
2015-03-04    1.57
2015-03-03    1.44
2015-03-02    2.62
Name: p_change, Length: 643, dtype: float64

3.2. 将股票涨跌幅数据进行分组

• pd.qcut(data, q):
  • 对数据进行分组，q为组数，一般会与value_counts搭配使用，统计每组的个数
• series.values_counts()：统计每组个数

# 自行分组
qcut = pd.qcut(p_change, 10)
# 计算分到每组数据个数
qcut.value_counts()

(5.27, 10.03]                    65
(0.26, 0.94]                     65
(-0.462, 0.26]                   65
(-10.030999999999999, -4.836]    65
(2.938, 5.27]                    64
(1.738, 2.938]                   64
(-1.352, -0.462]                 64
(-2.444, -1.352]                 64
(-4.836, -2.444]                 64
(0.94, 1.738]                    63
Name: p_change, dtype: int64

自定义区间分组：

• pd.cut(data, bins)：
  • data：要分组的数据
  • bins：列表，自定义的区间列表：[-2, -1, 0, 1, 2]

# 自己指定分区区间
bins = [-100, -7, -5, -3, 0, 3, 5, 7, 100]
p_cut = pd.cut(p_change, bins)

3.3. 股票涨跌幅分组数据变成one-hot编码

• 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右边形式表示：

• pandas.get_dummies(data, prefix=None)

  • data：array-like，Series，or DataFrame
  • prefix：分组名字前缀

  # 得出one-hot编码矩阵
  dummies = pd.get_dummies(p_cut, prefix="rise")
  

  

4. 总结

• 数据离散化
  • 可以用来减少给定连续属性值的个数
  • 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。
• qcut、cut实现数据分组
  • qcut：大致分为数量相同的几组
  • cut：自定义分组区间
• get_dummies实现哑变量矩阵