數(shù)據(jù)分箱（英語：Data binning）是一種數(shù)據(jù)預(yù)處理方法，用于最大限度地減少小觀測(cè)誤差的影響。原始數(shù)據(jù)值被劃分為稱為bin的小區(qū)間，然后用為該bin計(jì)算的一般值替換它們。這對(duì)輸入數(shù)據(jù)具有平滑效果，并且在小數(shù)據(jù)集的情況下還可以減少過擬合的機(jī)會(huì)。

有兩種常見方法可以將數(shù)據(jù)劃分到箱中：

等頻分箱：分箱具有相等的頻率，每個(gè)區(qū)間包含大致相等的實(shí)例數(shù)量。

等寬分箱：分箱具有等寬，每個(gè)分箱的范圍被定義為[min + w]，[min +2 w]， [min + n w],

其中w = (max – min)/（箱數(shù)）。

示例

等頻分箱

Input:[5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215] 

Output:
[5, 10, 11, 13]
[15, 35, 50, 55]
[72, 92, 204, 215]

等寬分箱

Input: [5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215]

Output:
[5, 10, 11, 13, 15, 35, 50, 55, 72]
[92]
[204, 215]

分箱方法的Python實(shí)現(xiàn)

# equal frequency 
def equifreq(arr1, m):	 
	a = len(arr1) 
	n = int(a / m) 
	for i in range(0, m): 
		arr = [] 
		for j in range(i * n, (i + 1) * n): 
			if j >= a: 
				break
			arr = arr + [arr1[j]] 
		print(arr) 

# equal width 
def equiwidth(arr1, m): 
	a = len(arr1) 
	w = int((max(arr1) - min(arr1)) / m) 
	min1 = min(arr1) 
	arr = [] 
	for i in range(0, m + 1): 
		arr = arr + [min1 + w * i] 
	arri=[] 
	
	for i in range(0, m): 
		temp = [] 
		for j in arr1: 
			if j >= arr[i] and j <= arr[i+1]: 
				temp += [j] 
		arri += [temp] 
	print(arri) 

# data to be binned 
data = [5, 10, 11, 13, 15, 35, 50, 55, 72, 92, 204, 215] 

# no of bins 
m = 3

print("equal frequency binning") 
equifreq(data, m) 

print("\n\nequal width binning") 
equiwidth(data, 3) 

輸出

equal frequency binning
[5, 10, 11, 13]
[15, 35, 50, 55]
[72, 92, 204, 215]


equal width binning
[[5, 10, 11, 13, 15, 35, 50, 55, 72], [92], [204, 215]] 

優(yōu)缺點(diǎn)

等頻分箱

優(yōu)點(diǎn)：

能夠處理數(shù)據(jù)分布不均勻的情況，可以更好地利用數(shù)據(jù)的整體分布。

對(duì)于某些需要平衡數(shù)據(jù)分布的場(chǎng)景，等頻分箱可以更好地保證數(shù)據(jù)的代表性。

缺點(diǎn)：

對(duì)于某些數(shù)據(jù)范圍較大的特征，等頻分箱可能會(huì)導(dǎo)致一些箱子中的數(shù)據(jù)范圍過大或過小的問題。

等頻分箱需要更多的計(jì)算資源，因?yàn)樾枰獙?duì)每個(gè)可能的值進(jìn)行計(jì)數(shù)，然后找到每個(gè)箱子中的中位數(shù)。

等寬分箱

優(yōu)點(diǎn)：

易于理解和實(shí)現(xiàn)，根據(jù)業(yè)務(wù)理解，可快速對(duì)數(shù)據(jù)進(jìn)行初步的劃分。

對(duì)于異常值，等寬分箱可以將其放入單獨(dú)的箱子，從而更好地保護(hù)數(shù)據(jù)隱私。

缺點(diǎn)：

對(duì)于數(shù)據(jù)分布不均勻的情況，可能會(huì)存在數(shù)據(jù)分布過于傾斜，導(dǎo)致某些箱子中的數(shù)據(jù)過多或過少的問題。

這種方法忽略了數(shù)據(jù)的具體取值范圍，可能導(dǎo)致一些重要的細(xì)節(jié)被忽略。

總的來說，選擇等頻分箱還是等寬分箱，需要根據(jù)實(shí)際的數(shù)據(jù)分布和業(yè)務(wù)需求來決定。

到此這篇關(guān)于python實(shí)現(xiàn)數(shù)據(jù)挖掘中分箱的示例代碼的文章就介紹到這了,更多相關(guān)python數(shù)據(jù)分箱內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！