【Pandas-10】离散化和分箱
在机械学习中，我们经常会对数据进行分箱处理的操作， 也就是 把一段连续的值切分成若干段，每一段的值看成一个分类。这个把连续值转换成离散值的过程，我们叫做分箱处理。
比如，把年龄按15岁划分成一组，0-15岁叫做少年，16-30岁叫做青年，31-45岁叫做壮年。在这个过程中，我们把连续的年龄分成了三个类别，"少年"，"青年"和"壮年"就是各个类别的名称，或者叫做标签。
cut和qcut函数的基本介绍
在pandas中，cut和qcut函数都可以进行分箱处理操作。其中cut函数是按照数据的值进行分割，而qcut函数则是根据数据本身的数量来对数据进行分割。
一、pandas.cut
1 函数介绍
pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False)
参数：
1. x，类array对象，且必须为一维，待切割的原形式
2. bins, 整数、序列尺度、或间隔索引。如果bins是一个整数，它定义了x宽度范围内的等宽面元数量，但是在这种情况下，x的范围在每个边上被延长1%，以保证包括x的最小值或最大值。如果bin是序列，它定义了允许非均匀bin宽度的bin边缘。在这种情况下没有x的范围的扩展。
3. right,布尔值。是否是左开右闭区间
4. labels,用作结果箱的标签。必须与结果箱相同长度。如果FALSE，只返回整数指标面元。
5. retbins,布尔值。是否返回面元
6. precision，整数。返回面元的小数点几位
7. include_lowest，布尔值。第一个区间的左端点是否包含
返回值：
若labels为False则返回整数填充的Categorical或数组或Series
若retbins为True还返回用浮点数填充的N维数组
2 实例
import pandas as pd
年份 = [1992, 1983, 1922, 1932, 1973] # 待分箱数据
箱子 = [1900, 1950, 2000] # 指定箱子的分界点
结果 = pd.cut(年份, 箱子)
print(结果)
# 结果说明：其中(1950, 2000]说明【年份】列表的第一个值1992位于(1950, 2000]区间
print(pd.value_counts(结果)) # 对不同箱子中的数进行计数
# labels参数为False时，返回结果中用不同的整数作为箱子的指示符
结果2 = pd.cut(年份, 箱子,labels=False)
# 输出结果中的数字对应着不同的箱子
print(结果2)
# 结果说明：其中 1 说明【年份】列表的第一个值1992位于(1950, 2000]区间
# 其中 0 说明【年份】列表的第一个值1922位于(1900, 1950]区间
print(pd.value_counts(result2)) # 对不同箱子中的数进行计数
import pandas as pd
年份 = [1992, 1983, 1922, 1932, 1973] # 待分箱数据
箱子 = [1900, 1950, 2000] # 指定箱子的分界点
# 可以将想要指定给不同箱子的标签传递给labels参数
箱子名称 = [ '50年代前', '50年代后']
结果3 = pd.cut(年份, 箱子, labels=箱子名称)
print(pd.value_counts(结果3))
二、pandas.qcut
1 理论
pandas.qcut 和上面基本相同，只是q分箱需要自己设置。可以指定箱子的数量对连续数据进行等宽分箱处理（注意：所谓等宽指的是每个箱子中的数据量是相同的）
pandas.qcut(x, q, labels=None, retbins=False, precision=3, duplicates='raise')
2 实例
import pandas as pd
年份 = [1992, 1983, 1922, 1932, 1973, 1999, 1993, 1995] # 待分箱数据
结果 = pd.qcut(年份,q=4) # 参数q指定所分箱子的数量
# 从输出结果可以看到每个箱子中的数据量时相同的
print(结果)
print(pd.value_counts(结果)) # 从输出结果可以看到每个箱子中的数据量时相同的
