數(shù)據(jù)離散化意義

????數(shù)據(jù)離散化是指將連續(xù)的數(shù)據(jù)進(jìn)行分段，使其變?yōu)橐欢味坞x散化的區(qū)間。分段的原則有基于等距離、等頻率或優(yōu)化的方法。之所以離散化，部分條件是由于后期的模型需要，另外數(shù)據(jù)也好理解，比如用戶年齡離散化，20-30作為一個(gè)區(qū)間，是青年，30-50作為另一個(gè)區(qū)間，是中年，這樣可以更加直觀的表達(dá)出數(shù)據(jù)，青年、中年，方便用戶理解。

????我們用等寬法（將數(shù)據(jù)的值域分成具有相同寬度的區(qū)間，區(qū)間的個(gè)數(shù)由數(shù)據(jù)本身的特點(diǎn)決定或者用戶指定，與制作頻率分布表類似。）來實(shí)現(xiàn)數(shù)據(jù)離散化。pandas 提供了 cut 函數(shù)，可以進(jìn)行連續(xù)型數(shù)據(jù)的等寬離散化，其基礎(chǔ)語法格式如下。

知識(shí)點(diǎn)：

函數(shù)

pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False, duplicates='raise') #0.23.4

參數(shù)含義

x：被切分的類數(shù)組（array-like）數(shù)據(jù)，必須是1維的（不能用DataFrame）；
bins：bins是被切割后的區(qū)間（或者叫“桶”、“箱”、“面元”），有3中形式：一個(gè)int型的標(biāo)量、標(biāo)量序列（數(shù)組）或者pandas.IntervalIndex 。

right：bool型參數(shù)，默認(rèn)為True，表示是否包含區(qū)間右部。比如如果bins=[1,2,3]，right=True，則區(qū)間為(1,2]，(2,3]；right=False，則區(qū)間為(1,2),(2,3)。

labels：給分割后的bins打標(biāo)簽，比如把年齡x分割成年齡段bins后，可以給年齡段打上諸如青年、中年的標(biāo)簽。labels的長度必須和劃分后的區(qū)間長度相等，比如bins=[1,2,3]，劃分后有2個(gè)區(qū)間(1,2]，(2,3]，則labels的長度必須為2。如果指定labels=False，則返回x中的數(shù)據(jù)在第幾個(gè)bin中（從0開始）。
retbins：bool型的參數(shù)，表示是否將分割后的bins返回，當(dāng)bins為一個(gè)int型的標(biāo)量時(shí)比較有用，這樣可以得到劃分后的區(qū)間，默認(rèn)為False。
precision：保留區(qū)間小數(shù)點(diǎn)的位數(shù)，默認(rèn)為3.
include_lowest：bool型的參數(shù)，表示區(qū)間的左邊是開還是閉的，默認(rèn)為false，也就是不包含區(qū)間左部（閉）。
duplicates：是否允許重復(fù)區(qū)間。有兩種選擇：raise：不允許，drop：允許。

返回值

out：一個(gè)pandas.Categorical, Series或者ndarray類型的值，代表分區(qū)后x中的每個(gè)值在哪個(gè)bin（區(qū)間）中，如果指定了labels，則返回對(duì)應(yīng)的label。
bins：分隔后的區(qū)間，當(dāng)指定retbins為True時(shí)返回。

我們已pandas的cut函數(shù)來實(shí)例講解：