数据分箱技术Binning

数据分箱就是按照某种规则将数据进行分类。就像可以将水果按照大小进行分类，售卖不同的价格一样。

对Series进行分箱

创建一个整形随机的series，表示学生的成绩：

import numpy as np
import pandas as pd
from pandas import Series, DataFrame
score_list = np.random.randint(25, 100, size=20)

import numpy as np

import pandas as pd

from pandas import Series, DataFrame

score_list = np.random.randint(25, 100, size=20)

然后指定一个分箱原则

bins = [0,59,70,80,100]

1 2	bins = [0,59,70,80,100]

然后利用pandas中的cut方法，指定分箱规则和对象，结果将获得一个Categories对象：

score_cat = pd.cut(score_list, bins)

1 2	score_cat = pd.cut(score_list, bins)

使用pandas中的value_counts方法来统计各个段内数据的个数：

pd.value_counts(score_cat)

1 2	pd.value_counts(score_cat)

创建一个包含学生分数和姓名的dataframe：

df = DataFrame()  
df['score'] = score_list
df['student'] = [pd.util.testing.rands(3) for i in range(20)]  # 三个随机字符串

df = DataFrame()

df['score'] = score_list

df['student'] = [pd.util.testing.rands(3) for i in range(20)] # 三个随机字符串

这里的pd.util.testing.rands(3) for i in range(20)可以生成20个随机3位字符串。

然后使用前面的bins标准对df1进行分箱，得到一个Categories对象：

df['Categories'] = pd.cut(df['score'],bins)

1 2	df['Categories'] = pd.cut(df['score'],bins)

这样子可读性不好，可以指定label参数为每个区间赋一个标签：

df['Categories'] = pd.cut(df['score'],bins, labels=['Low','OK','Good','Great'])

1 2	df['Categories'] = pd.cut(df['score'],bins, labels=['Low','OK','Good','Great'])