轉換數(shù)據(jù)1.啞變量處理類別數(shù)據(jù)2.離散化連續(xù)型數(shù)據(jù)1.啞變量處理類別數(shù)據(jù)1.啞變量處理類別數(shù)據(jù)Pandas庫中的get_dummies函數(shù)對類別型特征進行啞變量處理，語法規(guī)則如下所示。Pandas.get_dummies(data,prefix=None,prefix_sep:str|Iterable[str]|dict[str,str]="_",dummy_na:bool=False,columns=None,sparse:bool=False,drop_first:bool=False,dtype:NpDtype|None=None)->DataFrame1.啞變量處理類別數(shù)據(jù)示例：使用get_dummies函數(shù)計算啞變量。代碼：df1=pd.DataFrame({'景區(qū)':['中央大街','圣索菲亞教堂','東北烈士紀念館','防洪紀念塔','冰雪大世界','防洪紀念塔','圣索菲亞教堂','東北烈士紀念館','中央大街','冰雪大世界']},

index=[i+1foriinrange(10)])

print('啞變量處理前的數(shù)據(jù)為：\n%s'%df1)

print('啞變量處理后的數(shù)據(jù)為：\n%s'%pd.get_dummies(df1))2.離散化連續(xù)型數(shù)據(jù)(1)離散化2.離散化連續(xù)型數(shù)據(jù)(2)等寬法Pandas提供了cut函數(shù)，可以進行連續(xù)型數(shù)據(jù)的等寬離散化，其基礎語法格式如下。Pandas.cut(x,bins,right:bool=True,labels=None,retbins:bool=False,precision:int=3,include_lowest:bool=False,duplicates:str="raise",ordered:bool=True)2.離散化連續(xù)型數(shù)據(jù)運行結果：1）離散化為三個大小相等的bins：[(0.994,3.0],(5.0,7.0],(3.0,5.0],(3.0,5.0],(5.0,7.0],(0.994,3.0]]Categories(3,interval[float64,right]):[(0.994,3.0]<(3.0,5.0]<(5.0,7.0]]示例：使用cut函數(shù)實現(xiàn)等寬法離散化。代碼：DataCut1=pd.cut(np.array([1,7,5,4,6,3]),3)

print('1）離散化為三個大小相等的bins：')

print(DataCut1)2.離散化連續(xù)型數(shù)據(jù)(8)等頻法cut函數(shù)雖然不能夠直接實現(xiàn)等頻離散化，但是可以通過定義將相同數(shù)量的記錄放進每個區(qū)間。等頻法離散化的方法相比較于等寬法離散