Pandas-数据离散化

1 什么是数据离散化

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。

• qcut、cut实现数据分组【知道】
• qcut:大致分为相同的几组
• cut:自定义分组区间
• get_dummies:实现哑变量矩阵

2 股票的涨跌幅离散化

• 先读取股票的数据，筛选出p_change数据

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

• 将股票涨跌幅数据进行分组
  • pd.qcut(data, q):对数据分组，与value_counts搭配使用，统计每组的个数
  • series.value_counts()：统计分组次数
  • pd.cut(data, bins):自定义区间分组

# 自行分组
qcut = pd.qcut(p_change, 10)
# 计算分到每个组数据个数
qcut.value_counts()

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

• 股票涨跌幅分组数据变成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
  • 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")