बनाएं discretized संख्यात्मक

Question

पर पांडा get_dummies से खुला सीमा संकेतक एक अंकीय उम्र पांडा स्तंभ, के रूप में वृद्ध qcut साथ discretize से, हम qcut सीमा से खुला सीमा बनाने ([यू '[5, 30]', यू '(30, 70]'], dtype = 'वस्तु') हम bopens बनाने:

>>> bopens = get_open_bounds(df) 
>>> bopens 
# ['(-inf, 5]', '(-inf, 30]', '(-inf, 70]', '(5, +inf)', '(30, +inf)', '(70, +inf)'] 

फिर हम डमी में स्पष्ट चर परिवर्तित/सूचक get_dummies साथ चर:

df = pd.get_dummies(df) 
print df 
# age ageD_[5, 30] ageD_(30, 70] 
# 0 5    1    0 
# 1 23    1    0 
# 2 43    0    1 
# 3 70    0    1 
# 4 30    1    0 

मैं खुले सीमा स्तंभों के साथ डेटा फ्रेम को बेहतर बनाने के लिए चाहते हैं, df.shape काफी बड़ा, ~ (10E6, 32) हो जाएगा। प्रत्येक पंक्ति 6 ​​बोपेन कोल्स बनाने के लिए सबसे अच्छा तरीका क्या है?

>>> df 
    age age_[5, 30] age_(30, 70] (-inf, 5] (-inf, 30] (-inf, 70] (5, +inf) (30, +inf) (70, +inf) 
0 5   1    0   1   1   1   0   0   0 
1 23   1    0   0   1   1   1   0   0 
2 43   0    1   0   0   1   1   1   0 
3 70   0    1   0   0   1   1   1   0 
4 30   1    0   0   1   1   1   0   0 

पुनश्च::

लक्ष्य df की तरह इस एक दिखेगा

def get_open_bounds(df): 
    bounds = [(int(x[1:]), int(y[:-1])) for x, y in 
      [c.split(', ') for c in df.ageD.cat.categories]] 
    bounds = list(chain(*bounds)) 
    bounds 
    # [5, 30, 30, 70] 

    # to get uniques, keeping the order 
    bounds = [b for idx, b in enumerate(bounds) if b not in bounds[:idx]] 

    # make the open bounds 
    bopens = ["(-inf, {}]".format(b) for b in bounds] + \ 
      ["({}, +inf)".format(b) for b in bounds] 
    return bopens 

Answer 1

IIUC, आप प्रसारण का एक सा के साथ ऐसा कर सकते हैं: get_open_bounds bopens बनाने के लिए इस्तेमाल:

df['ageD'], bins = pd.qcut(df.iloc[:, 0], 2, retbins=True) 
left = (df["age"].values <= bins[:,None]).T.astype(int) 
dl = pd.DataFrame(left, columns=["(-inf, {}]".format(b) for b in bins]) 
dr = pd.DataFrame(1-left, columns=["({}, +inf)".format(b) for b in bins]) 
dout = pd.concat([pd.get_dummies(df), dl, dr], axis=1) 

मुझे

देता है

>>> dout 
    age ageD_[5, 30] ageD_(30, 70] (-inf, 5] (-inf, 30] (-inf, 70] (5, +inf) (30, +inf) (70, +inf) 
0 5    1    0   1   1   1   0   0   0 
1 23    1    0   0   1   1   1   0   0 
2 43    0    1   0   0   1   1   1   0 
3 70    0    1   0   0   1   1   1   0 
4 30    1    0   0   1   1   1   0   0 

नोट # 1: retbins = True जोड़कर मैं डिब्बे खुद को मिलता है और कुछ अजीब स्ट्रिंग पार्स बच सकते हैं।

नोट # 2: एक अंतर्निहित "दाएं = 1 - बाएं" करके, मुझे लगता है कि कोई उम्र NaN नहीं है और इसलिए = = या < में से एक सत्य होना चाहिए; यदि यह निश्चित नहीं है, तो आप right = (df["age"].values > bins[:,None].T.astype(int) इसके बजाय कर सकते हैं।)

नोट # 3: वास्तव में मुझे फ्रेम कन्स्ट्रक्टर df.index भी पास करना चाहिए - जबकि आपके उदाहरण में कैननिकल इंडेक्स था, जो आपके लिए सच नहीं हो सकता है वास्तविक डेटा