连续数据离散化之等频法

    等频法是将相同数量的记录放在每个区间，保证每个区间的数量基本一致。即将属性值分为具有相同宽度的区间，区间的个数k根据实际情况来决定。比如有60个样本，我们要将其分为k=3部分，则每部分的长度为20个样本。

    我们随机产生200个人的年龄数据，然后通过等宽离散化，并进行可视化。这里主要使用的是pandas库中的qcut函数。其缺点是边界易出现重复值，如果为了删除重复值可以设置 duplicates=‘drop’，但易出现于分片个数少于指定个数的问题。其函数定义如下：

知识点：

pd.qcut(x, q, labels=None, retbins=False, precision=3, duplicates='raise')

x ：一维数组或者Serise

q ： 表示分位数的整数或者数组，

• 如果是分位数的整数，例如10用于十分位，4用于四分位

• 如果是分位数数组，例如[0,0.25,0.5,0.75,1]用于四分位数

labels ： 数组或者布尔值，默认为none，用于指定每个箱体的标签

• 如果是数组，长度要与分箱个数一致，比如用四分位数分箱，需要指定四个标签

• 如果为False，则仅返回分箱的整数指示符，即当前数据位于哪个箱子中

rebines ：布尔值，可选。 是否显示分箱的分界值。（由于是按照分位数进行分箱，在不知道分位数具体数值的情况下，可以通过这个参数设置显示分界值即分位数的具体数值）

precision：整数，默认3，存储和显示分箱标签的精度。

duplicates：如果分箱临界值不唯一，则引发ValueError或丢弃非唯一

pd.qcut()的参数就是这些了，并不是所有的参数都常用，下边我们通过代码示例来看一下常用参数的应用。

我们利用pandas的qcut函数来进行案例讲解：

根据上面可以看出，每个区间数量大致相同。