Die gebr\u00e4uchlichste Form des Clusterings ist das sogenannte Equal-Width-Clustering<\/strong> , bei dem wir einen Datensatz in k<\/em> Gruppen gleicher Breite unterteilen.<\/span><\/p>\n Eine weniger h\u00e4ufig verwendete Form des Clusterings ist das sogenannte Equal-Frequency-Clustering<\/strong> , bei dem wir einen Datensatz in k<\/em> Gruppen aufteilen, die alle die gleiche Anzahl von H\u00e4ufigkeiten haben.<\/span><\/p>\n In diesem Tutorial wird erl\u00e4utert, wie Sie in Python ein Clustering mit gleicher H\u00e4ufigkeit durchf\u00fchren.<\/span><\/p>\n Angenommen, wir haben einen Datensatz mit 100 Werten:<\/span><\/p>\n Gruppierung gleicher Breite:<\/strong><\/span><\/p>\n Wenn wir ein Histogramm erstellen, um diese Werte anzuzeigen, verwendet Python standardm\u00e4\u00dfig die Gruppierung gleicher Breite:<\/span> <\/p>\n Jede Gruppe hat die gleiche Breite von etwa 0,4487, aber jede Gruppe enth\u00e4lt nicht die gleiche Anzahl an Beobachtungen. Zum Beispiel:<\/span><\/p>\n Und so weiter.<\/span><\/p>\n Gleiche Frequenzgruppierung:<\/strong><\/span><\/p>\n Um Buckets zu erstellen, die eine gleiche Anzahl an Beobachtungen enthalten, k\u00f6nnen wir die folgende Funktion verwenden:<\/span> <\/p>\n Jede Gruppe ist nicht gleich breit, aber jede Gruppe enth\u00e4lt<\/i> die gleiche Anzahl an Beobachtungen. Zum Beispiel:<\/span><\/p>\n Und so weiter.<\/span><\/p>\n Aus dem Histogramm k\u00f6nnen wir ersehen, dass jeder Abschnitt eindeutig nicht die gleiche Breite hat, aber jeder Abschnitt die gleiche Anzahl von Beobachtungen enth\u00e4lt, was durch die Tatsache best\u00e4tigt wird, dass die H\u00f6he jedes Abschnitts gleich ist.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Unter Gruppierung versteht man in der Statistik den Vorgang der Einordnung numerischer Werte in Gruppen . Die gebr\u00e4uchlichste Form des Clusterings ist das sogenannte Equal-Width-Clustering , bei dem wir einen Datensatz in k Gruppen gleicher Breite unterteilen. Eine weniger h\u00e4ufig verwendete Form des Clusterings ist das sogenannte Equal-Frequency-Clustering , bei dem wir einen Datensatz in […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Equal Frequency Binning in Python<\/strong><\/span><\/h3>\n
import<\/span> numpy as<\/span> np\nimport<\/span> matplotlib.pyplot as<\/span> plt\n\n#create data<\/span>\nnp.random.seed(1)\ndata = np.random.randn(100)\n\n#view first 5 values\n<\/span><\/strong>data[:5]\n\narray([ 1.62434536, -0.61175641, -0.52817175, -1.07296862, 0.86540763])\n<\/b><\/pre>\n #create histogram with equal-width bins<\/span>\nn, bins, patches = plt.hist(data, edgecolor='black')\nplt.show()\n\n#display bin boundaries and frequency per bin<\/span> \nbins, n\n\n(array([-2.3015387 , -1.85282729, -1.40411588, -0.95540447, -0.50669306,\n -0.05798165, 0.39072977, 0.83944118, 1.28815259, 1.736864,\n 2.18557541]),\n array([ 3., 1., 6., 17., 19., 20., 14., 12., 5., 3.]))\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/egalfreqbinningpython1.png\")
<\/p>\n\n
#define function to calculate equal-frequency bins<\/span> \ndef<\/span> equalObs(x, nbin):\n nlen = len(x)\n return<\/span> np.interp(np.linspace(0, nlen, nbin + 1),\n np.arange(nlen),\n np.sort(x))\n\n#create histogram with equal-frequency bins<\/span> \nn, bins, patches = plt.hist(data, equalObs(data, 10), edgecolor='black')\nplt.show()\n\n#display bin boundaries and frequency per bin<\/span> \nbins, n\n\n(array([-2.3015387 , -0.93576943, -0.67124613, -0.37528495, -0.20889423,\n 0.07734007, 0.2344157, 0.51292982, 0.86540763, 1.19891788,\n 2.18557541]),\n array([10., 10., 10., 10., 10., 10., 10., 10., 10., 10.]))<\/strong> <\/pre>\n![\"Beispiel](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/egalfreqbinningpython2.png\")
<\/p>\n\n