【数据科学】06 数据转换-数据离散化、编码分类特征（哑变量矩阵、数字编码）

---

数据转换的目的是将数据转换为需要的数据格式，便于后续的分析

1. 离散化：数据划分面元

通常情况下，数据集中可能存在两种类型的特征：

• 连续特征
  连续特征的值用数值（整数或浮点数）表示，有测量单位，可进行加减、比较大小等运算。
• 分类特征
  分类特征是按等级划分的，取值于一个有限或无限的集合，例如，性别、专业是分类特征，性别的值取自于集合{‘男’，‘女’}。

从连续变量到分类变量：

pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False, duplicates=‘raise’)

参数	说明
x	要处理的连续值数据，可以是数组、列表等，但必须是一维的
bins	整数或列表。如果bins是整数，表示传入面元的数量，根据数据的最小值和最大值计算等长面元；如果bins是列表，定义了面元的边界。
right	缺省为False，面元包含区间的左端，但不包含右端。设置为True，则面元包含区间的右端不包含区间的左端。
labels	定义面元的名称，可以是数组、列表
retbins	bool，缺省为False。是否返回面元。如果为True，cut将有两个返回值。
precision	小数精度，默认为3
include_lowest	第一个面元初始值是否包含在内。

例1 将总成绩划分数据面元

import pandas as pd
url = 'students-info.csv'
students = pd.read_csv(url,encoding='gbk')

In [1]: 
bins=[0,60,70,80,90,101]
lbls=['不及格','及格','中','良','优']

In [2]: students
Out[2]: 
     姓名 性别    专业  期中成绩  期末成绩  平时成绩  总成绩
0    张海  男  交通工程    90    88    90   89
1    段霞  女   金融学    88    95    92   92
2   敬卫华  男  土木工程    91    87    90   89
3    李明  男  交通工程    54    70    70   65
4    王丹  女   金融学    67    75    70   72
5   王真花  女  土木工程    58    82    85   75
6   穆桂英  女  交通工程    78    90    92   87
7   王小田  男  交通工程    86    75    78   79
8   杨丽珍  女  交通工程    47    70    70   63
9   孙振英  男   金融学    95    90    90   92
10  蒋学军  女   金融学    91    86    88   88
11   吴俊  男   金融学    83    88    90   87

In [3]: students['等级'