jupyter 布尔过滤与数据离散化

布尔过滤

import numpy as np
import pandas as pd
data = pd.Series(np.random.randn(1000))
data.describe()

找出大于0的，全为NAN的删除

data[data>0].dropna(how = 'all')

data[np.abs(data) > 3].dropna(how = 'all')

为了便于分析，连续数据常常被离散化

data = pd.DataFrame(np.random.randint(1,50,(20,2)),columns = ['k1','k2'])
data.head(6)

欲了解k1数据的分布情况

bins = [0,10,20,30,40,50] #给数据分区间
cats = pd.cut(data.k1,bins)        # 可以使用 right = False 控制左右括号的开闭
cats#给出数据所在区间

cats.value_counts()   #计数每一个范围的元素个数，由个数从高到低排列

pd.cut(data.k1,bins, right=False)

data = np.random.randn(1000)
cats = pd.cut(data, 4)#将数据在整个数据范围内进行均分成4个部分
cats

cats.value_counts()

cats = pd.qcut(data, 4)#将数据在整个数据范围内进行个数均分，使每个区间有相同的个数的元素
cats

cats.value_counts()#注意，区间

jupyter 布尔过滤与数据离散化相关推荐

pandas高级处理-数据离散化
pandas高级处理-数据离散化 1 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.[简化数据,让数据用起来 ...
进行数据离散化的原因_数据离散化及其KMeans算法实现的理解
摘要这篇文章尝试借用数据离散化这个事给大家讲明白K-Means算法的含义. 数据离散化的理解数据离散化是数据预处理的一个非常重要的步骤,就是将连续的数据分成几个段. 举个简单例子,好比我们一个班上 ...
数据预处理Part4——数据离散化
文章目录离散化,对数据做逻辑分层 1. 什么是数据离散化? 2. 为什么要将数据离散化 3. 如何将数据离散化? 3.1 时间数据离散化 3.2 多值离散数据离散化 3.3 连续数据离散化 3.4 ...
机器学习之Pandas：Pandas介绍、基本数据操作、DataFrame运算、Pandas画图、文件读取与处、缺失值处理、数据离散化、合并、交叉表和透视表、分组与聚合、案例（超长篇，建议收藏慢慢看）
文章目录 Pandas 学习目标 1Pandas介绍学习目标 1 Pandas介绍 2 为什么使用Pandas 3 案例: 问题:如何让数据更有意义的显示?处理刚才的股票数据给股票涨跌幅数据增加行 ...
数据预处理：数据离散化
目录数据离散化的应用场景和必要性针对时间数据的离散化针对多值离散数据的离散化针对连续数据的离散化针对连续数据的二值化参考资料:<Python数据分析与数据化运营>宋天龙数据离 ...
Pandas8_高级处理-数据离散化和数据合并
import numpy as np import pandas as pd 数据离散化什么是数据离散化? 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 ...
在leangoo里怎么设置看板周期，过滤看板数据？
设置看板周期有两种方式: 1)点击看板上的看板周期时间直接修改 2)通过菜单设置看板周期过滤看板数据: 1. 快速过滤某一个人的任务 2. 组合筛选:通过关键词.标签和成员对看板数据进行过滤浏览 ...
R语言caret包构建xgboost模型实战：特征工程（连续数据离散化、因子化、无用特征删除）、配置模型参数（随机超参数寻优、10折交叉验证）并训练模型
R语言caret包构建xgboost模型实战:特征工程(连续数据离散化.因子化.无用特征删除).配置模型参数(随机超参数寻优.10折交叉验证)并训练模型目录
C#过滤重复数据，使用泛型
#region List<T> 过滤重复数据 public delegate bool EqualsComparer<T>(T x, T y); /// <summary ...

jupyter 布尔过滤与数据离散化

布尔过滤

jupyter 布尔过滤与数据离散化相关推荐

最新文章

热门文章