pandas数据离散化和合并

为什么要离散化

连续属性离散化的目的是为了简化数据结构，数据离散化技术可以用来减少给定连续属性值的个数。离散化方法经常作为数据挖掘的工具。

什么是数据的离散化

连续属性的离散化就是在连续属性的值域上，将值域划分为若干个离散的区间，最后用不同的符号或整数 值代表落在每个子区间中的属性值。

离散化有很多种方法，这使用一种最简单的方式去操作

• 原始人的身高数据：165，174，160，180，159，163，192，184
• 假设按照身高分几个区间段：150~165, 165~180,180~195

这样我们将数据分到了三个区间段，我可以对应的标记为矮、中、高三个类别，最终要处理成一个"哑变量"矩阵

例：

股票的涨跌幅离散化

读取股票的数据

data = pd.read_csv("./data/stock_day.csv")
data.head()
p_change= data['p_change']

使用的工具：

• pd.qcut(data, q)：
  • 对数据进行分组将数据分组，一般会与value_counts搭配使用，统计每组的个数
• series.value_counts()：统计分组次数

# 自动分成差不多数量的类别
qcut = pd.qcut(p_change, 10)
qcut.value_counts()

 自定义区间分组：

pd.cut(data, bins)

# 指定分组区间
bins = [-100, -7, -5, -3, 0, 3, 5, 7, 100]
p_count = pd.cut(p_change, bins)
p_count.value_counts()

什么是one-hot编码：

把每个类别生成一个布尔列，这些列中只有一列可以为这个样本取值为1.其又被称为热编码。

把下图中左边的表格转化为使用右边形式进行表示：

pandas.get_dummies(data, prefix=None)

• data:array-like, Series, or DataFrame

• prefix:分组名字

# 得出one-hot编码矩阵
dummies = pd.get_dummies(p_counts, prefix="rise")

合并

pd.concat实现数据合并

pd.concat([data1, data2], axis=1)

• 按照行或列进行合并,axis=0为列索引，axis=1为行索引

我们将刚才处理好的one-hot编码与原数据合并

pd.concat([data, dummies],axis=1)

pd.merge

pd.merge(left, right, how='inner', on=None)

• 可以指定按照两组数据的共同键值对合并或者左右各自
• left: DataFrame
• right: 另一个DataFrame
• on: 指定的共同键
• how:按照什么方式连接

left = pd.DataFrame({'key1': ['K0', 'K0', 'K1', 'K2'],
                        'key2': ['K0', 'K1', 'K0', 'K1'],
                        'A': ['A0', 'A1', 'A2', 'A3'],
                        'B': ['B0', 'B1', 'B2', 'B3']})

right = pd.DataFrame({'key1': ['K0', 'K1', 'K1', 'K2'],
                        'key2': ['K0', 'K0', 'K0', 'K0'],
                        'C': ['C0', 'C1', 'C2', 'C3'],
                        'D': ['D0', 'D1', 'D2', 'D3']})

left

right

 默认内连接

pd.merge(left, right, on=["key1", "key2"])

左连接

pd.merge(left, right, on=["key1", "key2"], how="left")

右连接

pd.merge(left, right, on=["key1", "key2"], how="right")

 外连接

pd.merge(left, right, on=["key1", "key2"], how="outer")