在機械學習中，我們經常會對資料進行分箱處理的操作， 也就是 把一段連續的值切分成若干段，每一段的值看成乙個分類。這個把連續值轉換成離散值的過程，我們叫做分箱處理。
比如，把年齡按15歲劃分成一組，0-15歲叫做少年，16-30歲叫做青年，31-45歲叫做壯年。在這個過程中，我們把連續的年齡分成了三個類別，"少年"，"青年"和"壯年"就是各個類別的名稱，或者叫做標籤。
cut和qcut函式的基本介紹
在pandas中，cut和qcut函式都可以進行分箱處理操作。其中cut函式是按照資料的值進行分割，而qcut函式則是根據資料本身的數量來對資料進行分割。
pandas.cut(x, bins, right=true, labels=none, retbins=false, precision=3, include_lowest=false)
引數：1. x，類array物件，且必須為一維，待切割的原形式
2. bins, 整數、序列尺度、或間隔索引。如果bins是乙個整數，它定義了x寬度範圍內的等寬面元數量，但是在這種情況下，x的範圍在每個邊上被延長1%，以保證包括x的最小值或最大值。如果bin是序列，它定義了允許非均勻bin寬度的bin邊緣。在這種情況下沒有x的範圍的擴充套件。
3. right,布林值。是否是左開右閉區間
4. labels,用作結果箱的標籤。必須與結果箱相同長度。如果false，只返回整數指標面元。
5. retbins,布林值。是否返回面元
6. precision，整數。返回面元的小數點幾位
7. include_lowest，布林值。第乙個區間的左端點是否包含
返回值：
若labels為false則返回整數填充的categorical或陣列或series
若retbins為true還返回用浮點數填充的n維陣列
import pandas as pd
年份 = [1992, 1983, 1922, 1932, 1973] # 待分箱資料
箱子 = [1900, 1950, 2000] # 指定箱子的分界點
結果 = pd.cut(年份, 箱子)
print(結果)
# 結果說明：其中(1950, 2000]說明【年份】列表的第乙個值1992位於(1950, 2000]區間
print(pd.value_counts(結果)) # 對不同箱子中的數進行計數
# labels引數為false時，返回結果中用不同的整數作為箱子的指示符
結果2 = pd.cut(年份, 箱子,labels=false)
# 輸出結果中的數字對應著不同的箱子
print(結果2)
# 結果說明：其中 1 說明【年份】列表的第乙個值1992位於(1950, 2000]區間
# 其中 0 說明【年份】列表的第乙個值1922位於(1900, 1950]區間
print(pd.value_counts(result2))# 對不同箱子中的數進行計數
年份 = [1992, 1983, 1922, 1932, 1973] # 待分箱資料
箱子 = [1900, 1950, 2000] # 指定箱子的分界點
# 可以將想要指定給不同箱子的標籤傳遞給labels引數
箱子名稱 = [ '50年代前', '50年代後']
結果3 = pd.cut(年份, 箱子, labels=箱子名稱)
print(pd.value_counts(結果3))
pandas.qcut 和上面基本相同，只是q分箱需要自己設定。可以指定箱子的數量對連續資料進行等寬分箱處理（注意：所謂等寬指的是每個箱子中的資料量是相同的）
pandas.qcut(x, q, labels=none, retbins=false, precision=3, duplicates='raise')
import pandas as pd
年份 = [1992, 1983, 1922, 1932, 1973, 1999, 1993, 1995] # 待分箱資料
結果 = pd.qcut(年份,q=4) # 引數q指定所分箱子的數量
# 從輸出結果可以看到每個箱子中的資料量時相同的
print(結果)
print(pd.value_counts(結果)) # 從輸出結果可以看到每個箱子中的資料量時相同的
Pandas 10分鐘Pandas之旅 02
此類操作預設排除缺失資料 求平均值 print df.mean print 指定求平均值的軸 print df.mean 1 print 建立series物件s，以dates為索引並平移2個位置 s pd.series 1,3,5,np.nan,6,8 index dates shift 2 pri...
pandas 資料離散化
連續屬性離散化的目的是為了簡化資料結構，資料離散化技術可以用來減少給定連續屬性值的個數。離散化方法經常作為資料探勘的工具。連續屬性的離散化就是將連續屬性的值域上，將值域劃分為若干個離散的區間，最後用不同的符號或整數值代表落在每個子區間中的屬性值。離散化有很多種方法，這使用一種最簡單的方式去操作 這樣...
python資料分析之pandas（10）資料轉換
通過duplicated 函式可以找出重複的行，操作如下 frame.duplicated 判斷是否重複行 frame frame.duplicated 刪除重複行 frame.drop duplicates 刪除重複行 示例如下 frame pd.dataframe frame.duplicate...