数据挖掘中的分箱

数据分箱、分桶是一种数据预处理方法，用于最小化小观测误差的影响。原始数据值被划分为称为 bin 的小区间，然后用为该 bin 计算的一般值替换它们。这对输入数据有平滑作用，并且在小数据集的情况下还可以减少过度拟合的机会
将数据划分为 bin 有 2 种方法：

1. 等频分箱：分箱具有相等的频率。
2. 等宽分箱：分箱具有相等的宽度，每个分箱的范围定义为 [min + w], [min + 2w] ...。 [min + nw] 其中w = (max – min) / (no of bins)。

等频：

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]

等宽：

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]

代码：分箱技术的实现：

PY

# 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)

输出 ：

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]]