python覆盖分析（被多种离散化场景困扰）
python覆盖分析（被多种离散化场景困扰）In [24]: ages=[20 22 25 27 21 23 37 31 61 45 41 32]接下来将这些数据划分为“18到25“、”26到35“、”35到60“以及”60以上“几个面元。要实现此功能，需要使用pandas的cut函数：8种python技巧为了便于分析，连续数据常常被离散化或拆分为“面元“（bin），假设有一组人员数据，而你希望将它们划分为不同的年龄组：In [154]: ages=[20 22 25 27 21 23 37 31 61 45 41 32]
前言
python数据处理与分析学习过程中，需要有这样的一种意识，即元“为什么选择了python而不是其他？”既然选择了python，那么在实际应用中，它到底哪里不一样？大家说的方便、快捷、高复用性具体体现在哪里？带着问题进行学习，会有事半功倍的效果，记忆力和识别能力也会有所提高。
在本文，小编跟大家分享的是数据处理与分析中的“离散化或面元”。8种python技巧，让连续数据离散化更简洁。
8种python技巧
为了便于分析，连续数据常常被离散化或拆分为“面元“（bin），假设有一组人员数据，而你希望将它们划分为不同的年龄组：
In [154]: ages=[20 22 25 27 21 23 37 31 61 45 41 32]
离散化或面元：cut()接下来将这些数据划分为“18到25“、”26到35“、”35到60“以及”60以上“几个面元。要实现此功能，需要使用pandas的cut函数：
In [24]: ages=[20 22 25 27 21 23 37 31 61 45 41 32]
In [25]: bins=[18 25 35 60 100]
In [26]: cats=pd.cut(ages bins)
In [27]: cats
Out[27]:
[(18 25] (18 25] (18 25] (25 35] (18 25] ... (25 35]
(60 100] (35 60] (35 60] (25 35]]
Length: 12
Categories (4 interval[int64]): [(18 25] < (25 35] < (35 60] < (60 100]]
codes属性：标号In [29]: cats.codes
Out[29]: array([0 0 0 1 0 0 2 1 3 2 2 1] dtype=int8)
value_counts方法该方法会按照离散化或面元结果，进行符合区间的值统计，具体使用方法如下：
In [30]: pd.value_counts(cats)
Out[30]:
(18 25] 5
(35 60] 3
(25 35] 3
(60 100] 1
dtype: int64
控制开/关：right=False跟“区间“的数学符号一样，圆括号表示开端，而方括号则表示闭端（包括）。哪边是闭端可以通过right=False进行修改：
In [31]: pd.cut(ages [18 26 36 61 100] right=False)
Out[31]:
[[18 26) [18 26) [18 26) [26 36) [18 26) ... [26 36)
[61 100) [36 61) [36 61) [26 36)]
Length: 12
Categories (4 interval[int64]): [[18 26) < [26 36) < [36 61) < [61 100)]
设置面元名称：labels设置自己的面元名称，将labels选项设置为一个列表或数组即可：
In [33]: group_names=['Youth' 'YoungAdult' 'MiddleAged' 'Senior']
In [34]: pd.cut(ages bins labels=group_names)
Out[34]:
[Youth Youth Youth YoungAdult Youth ... YoungAdult
Senior MiddleAged MiddleAged YoungAdult]
Length: 12
Categories (4 object): [Youth < YoungAdult < MiddleAged < Senior]
计算等长面元如果向cut传入的是面元的数量而不是确切的面元边界，则它会根据数据的最小值和最大值计算等长面元。下面这个例子中，将一些均匀分布的数组分成四组：
In [35]: data=np.random.rand(20)
In [36]: pd.cut(data 4 precision=2)
Out[36]:
[(0.039 0.27] (0.27 0.5] (0.73 0.95] (0.5 0.73]
(0.039 0.27] ... (0.5 0.73] (0.27 0.5] (0.73 0.95]
(0.039 0.27] (0.73 0.95]]
Length: 20
Categories (4 interval[float64]): [(0.039 0.27] < (0.27 0.5]
< (0.5 0.73] < (0.73 0.95]]
qcut()qcut是一个非常类似于cut的函数，它可以根据样本分位数对数据进行面元划分。根据数据的分布情况，cut可能无法使各个面元中含有相同数量的数据点。而qcut由于使用的是样本分位数，因此可以得到大小基本相等的面元：
In [37]: data=np.random.randn(1000)
In [38]: cats=pd.qcut(data 4)
In [39]: cats
Out[39]:
[(-0.66 -0.0518] (0.68 3.328] (-0.66 -0.0518] (0.68 3.328]
(-3.452 -0.66] ... (-3.452 -0.66] (0.68 3.328] (-3.452 -0.66]
(-0.66 -0.0518] (-3.452 -0.66]]
Length: 1000
Categories (4 interval[float64]): [(-3.452 -0.66] < (-0.66 -0.0518]
< (-0.0518 0.68] < (0.68 3.328]]
In [40]: pd.value_counts(cats)
Out[40]:
(0.68 3.328] 250
(-0.0518 0.68] 250
(-0.66 -0.0518] 250
(-3.452 -0.66] 250
设置自定义分位数跟cut一样，也可以设置自定义的分位数（0到1之间的数值，包含端点）：
总结
离散化或面元是数据处理与分析中的常用方法。python提供了便捷、丰富的方法。该类方法通常是解决数据分析、机器学习或深度学习中，需要将连续性变量离散化的场景。8种不同的技巧均有其适用场景，无好与坏之分。大家可以实践操作进行体验，感谢大家关注！
