在数据分析过程中, 我们经常需要将一个连续型的数据转换为离散型数据。

例如一列年龄数据, 我们可能会需要根据需要将其转换成"少年,青年, 中年, 老年"。

这个过程就称之为数据的离散化, 离散化后数据变得更加简单清晰, 经常会对我们的分析有一定帮助。

有些数据挖掘算法，特别是某些分类算法（如朴素贝叶斯），要求数据是分类属性形式（类别型属性）这样常常需要将连续属性变换成分类属性（离散化，Discretization）。

另外，如果一个分类属性（或特征）具有大量不同值，或者某些值出现不频繁，则对于某些数据挖掘任务，通过合并某些值减少类别的数目可能也是有帮助的。

在Pandas中, 我们使用函数pd.cut对数据进行切分处理。

例如我们数据中的价格列, 是一列连续浮点型数据, 那么我们可以按照价格从高到底, 将数据分成低价, 中价, 高价三类。

pd.cut参数说明:

• x: 待切割的数据
• bins: 整数型时, 是均匀切分. 列表型时, 是指定的切割索引位置。
• right=True, 区间是左闭右开, 还是左开右闭。
• labels=None, 离散化后的列表名称标签。

item_orders = pd.read_csv('/data/Items_order.csv')
# 均匀切分成三份
pd.cut(item_orders.价格, 3)

bins参数传递一个整数, 得到的效果就是按照数据从大到小均匀切分成三份。

这里按照从0-29.393, 29.393-58.697, 58.697-88 均匀切分成三份, 容易看出, 三段区间的距离几乎是相同的。

我们可以通过label参数给切割后的几个类别设置名称标签。

pd.cut(item_orders.价格, 3, labels=['低价', '中价', '高价'])

指定切割位置。

如果想要自己指定从哪里进行切割, 可以使用列表传递切割位置。

pd.cut(item_orders.价格, [0,2, 5, 10, 100 ])

可以看到, 我们传递5个参数, 也就是将数据映射到4个区间当中。

我们再传递一个标签属性。

pd.cut(item_orders.价格, [0,2, 5, 10, 100 ], labels=['低价', '较低价', '中等', '高价'])

我们可以将切割好的数据传递回数据集, 变成一个新的列, 当然也可以覆盖原来的列

item_orders['价格分类'] = pd.cut(item_orders.价格, [0,2, 5, 10, 100 ], labels=['低价', '较低价', '中等', '高价'])

item_orders.head()

pd.qcut等深分箱:

在pd.cut函数中, 当我们把bins参数设置为整数时, 会按照数据从大到小进行等距切分。

但有的时候, 当数据分布不均匀时, 等距切分可能会导致某些类别中数据量大, 某些类别中数据量却非常小, 甚至没有。

如果切分后的类别分布不均衡, 在建模时很可能效果不好, 因此我们还有一个等深分箱函数。

在等深分箱中, 数据会尽可能的被均匀的分布在每一个类别当中, 但是每一个离散化的区间大小可能相差很大。

pd.qcut参数说明:

• x ，要进行分组的数据，数据类型为一维数组，或Series对象
• q， 组数，即要将数据分成几组
• labels ，可以理解为组标签，这里注意标签个数要和组数相等
• retbins ，默认为False,当为False时，返回值是Categorical类型（具有value_counts()方法），为True的返回值是元组

# 等深分箱切分成三份
pd.qcut(item_orders.价格, 3)

可以看到, 第一个区间跨度1.8, 而第二个区间跨度3, 第三个区间跨度83, 相差很多。

但三个区间的类别分布非常均衡

pd.qcut(item_orders.价格, 3).value_counts()