问题标签 [binning]

我正在努力完成这样的任务：我需要从数据框中离散化列中的值，并根据其他列中的值定义 bins。

对于一个最小的工作示例，让我们定义一个简单的数据框：

数据框如下所示：

现在我想介绍 column C，它将包含一个 bin 标签，对于 column 中的每个值都有不同的 bin A，即：

• (-10,-1,0,1,10)对于A == 'one',
• (-100,0,100)对于A == 'two',
• (-999,0,1,2,3)为A == 'three'.

期望的输出是：

我曾尝试使用pd.cutornp.digitize与 , 的不同组合map，apply但没有成功。

目前，我通过拆分框架并pd.cut分别应用于每个子集，然后合并以获取框架来实现结果，如下所示：

这可行，但我认为它不够优雅，我还预计生产中会出现一些速度或内存问题，当我将拥有数百万行的帧时。直说吧，我想这可以做得更好。

我将不胜感激任何帮助或想法...

我有这些有两列的数据。正如您在图表中看到的，数据有太多的噪音。所以，我想用大小 5 离散化列“r”，并将每一行分配给它对应的 bin，然后计算每个 bin 的 f 的平均值。

因此，要通过该过程，查看从第 1 行开始的每一行将被分配到 bin [65-70]，第 2 行将在 [60-65] 中打开......

然后对于最终结果，我想要每个 bin 的中点及其 f 值的平均值。S，这样我可以为 f 画一条线作为 f(r) 的函数

我有一个关于使用熊猫分箱的问题！这是一个简化的示例：我有一个数据框 df

这就是我想做的事情：我想对速度数据进行分类，例如 bins = [0,20,40,60,80]。然后，我希望根据速度分级对时间列值进行分级。之后，我想在垃圾箱中累积时间并绘制直方图。请帮忙

我有一个 numpy 2D 直方图，它使用两个空间坐标（x_array 和 y_array）对数据点进行分类，并对每个 bin 中第三个 data_array 组件的值进行平均。

代码如下：

等等（x 和 y 在某些地方是颠倒的，我知道......这就是我让它工作的方式）。

我现在需要做的是对这些数据进行过采样（或网格化），即使用重叠的 bin 采样几次，这样整个采样就会移动，并且也向上（单独）移动半个 bin 宽度，以获得更平滑的图像。

我显然可以增加 bin 的数量来提高分辨率，但这只能在一定程度上起作用……在某个点上，有些 bin 没有任何数据点，因为它们是随机分布的。

我已经在这个上工作了一段时间，我只是被难住了。感谢您的任何帮助，您可以提供。

我已经看到许多使用R完成未合并最大似然估计的教程示例。但是，到目前为止，我还没有在 R 中找到任何合并最大似然估计的示例。虽然我当然可以尝试不同的软件，但我仍然有兴趣看看它是否可以在R中轻松实现。

例如，假设我正在测量一些放射性同位素的衰变，并且我已经获得了超过 250 个时间段的事件数量，每个时间段的持续时间为 $\Delta t$。每个 bin 中的事件数量可以通过泊松统计建模，每个 bin 的预期数量为 $$ \bar{N}_{bin} = \Delta t N_0\lambda e^{-\lambda t_{bin}} $ $ 所以分箱最大似然函数的对数由 $$ \sum_{bin} \left( N_{bin} \ln(\bar{N}_{bin}) - \bar{N}_{bin} -\ln(N_{bin}!) \right) $$ 我要估计的参数是$\lambda$和$N_0$。

所以我的问题是这是否可以使用R相对简单地完成。谢谢！

考虑例子

现在我想要cB中数字的位置立即大于a中的数字。也就是说我想要a中的每个数字对应的5个位置。所以我的输出应该是

请帮忙。

我有大量的多维数据点。要点基本上是这样的：

有时维度的数量会上升到 20 左右，而这个 20d 空间中的点数可以上升到 1000 万左右。

我必须将所有维度都视为“依赖”来对这些数据点进行分类。所以这些点必须一起移动。我曾经做过一维的分箱，但是虽然我一直在绞尽脑汁想出算法，但在多维的情况下我到目前为止还没有成功。

我也找不到任何关于多维分箱的 java 示例。如果有人能给我一个关于如何在java中解决这个问题的想法，那将是很大的帮助。

我有六边形分箱数据，并使用 C=vel 按速度对代码进行颜色编码。这很好用，但我想要一个计算标准偏差的列表和每个六角星中对象数量的列表。我用：

'reduce_C_function=np.std' 为我提供了每个六角星中速度 (vel) 的标准偏差，这是我想要的，但我也希望它能够将矢量打印到屏幕上。坐标 x 和 y 可以通过以下方式检索：

我以为我可以用 get_array 和 get_offset 得到每个六边形中的项目数：

但是我的 get_offsets() 创建了一个空向量，而 get_array() 似乎返回了每个六边形的平均速度值......我的速度值“vel”是 5513 个项目长，counts=imageh.get_array() 在与我的速度范围相同。我再次运行它三次以确保第三次尝试 get_array() 返回标准偏差范围内的 146 个值。如果属实，这将解决部分问题。

我想要的是速度的计算标准偏差......图像颜色条上使用的“reduce_C_function”的输出。我也只想要在每个六角星中找到的数字。目标是获取每个六边形的每个标准差，除以该六边形中的点数并创建加权标准差。我可以通过运行单独获得原始图像的六角星中的点数：

然后使用 get_array() 但我一直在想肯定有一种方法可以从原始语句中获取每个 hexbin 中的项目数？另外，如果您在速度上包含一个 np.mean 过滤器（第一个示例），作为一个额外的复杂因素，点和 bin 的数量会略有不同......所以直接从查询中选择每个六边形中的数字是最好的。

编辑：我在之前共享的代码中犯了一个错误。我用“b”替换了“垃圾箱”，但错过了一个......

我现在也使用正确的data.frame（y而不是原来的df.score）

新代码：

seq.int(0, 1, length.out = (b + 1)) 中的错误：'length.out' 必须是非负数另外：警告消息：在 Ops.factor(b, 1) 中：+对因子没有意义

现在，如果我将代码拆分，则没有问题！！！

我在这里迷路了……

这是更多动态代码的一部分，根据数据集中的细节编织在一起。

所以我想动态创建垃圾箱并报告它们。该代码现在可以工作，但我不明白为什么当我使用“bins”这个词时，代码可以工作，而当使用“b”时它会失败......？

OLD 从这里开始，我需要将 bin 动态添加到数据框中，以便稍后报告它们。

因此，如果我想直接使用 bin var 做同样的事情，它会失败：

我在这里想念什么？

I am using the cut() function to bin a vector integergers. The procedure works well and provides the number of integers that fall into each bin, however for bins without a number, it isn't listed. I would like to fill these in such that there is a cell for each bin and for bins without numbers, it fills them in with 0. For example:

This gives:

I would like to fill in 2 with a 0 such that the output is:

Any and all help appreciated.