Bentuk pengelompokan yang paling umum dikenal sebagai pengelompokan dengan lebar yang sama<\/strong> , di mana kita membagi kumpulan data menjadi k<\/em> kelompok dengan lebar yang sama.<\/span><\/p>\n Bentuk pengelompokan yang kurang umum digunakan dikenal sebagai pengelompokan frekuensi yang sama<\/strong> , di mana kita membagi kumpulan data menjadi k<\/em> kelompok yang semuanya memiliki jumlah frekuensi yang sama.<\/span><\/p>\n Tutorial ini menjelaskan cara melakukan pengelompokan frekuensi yang sama dengan python.<\/span><\/p>\n Misalkan kita memiliki kumpulan data yang berisi 100 nilai:<\/span><\/p>\n Pengelompokan lebar yang sama:<\/strong><\/span><\/p>\n Jika kita membuat histogram untuk menampilkan nilai-nilai ini, Python akan secara default menggunakan pengelompokan dengan lebar yang sama:<\/span> <\/p>\n Setiap kelompok mempunyai lebar yang sama yaitu sekitar 0,4487, tetapi setiap kelompok tidak mempunyai jumlah pengamatan yang sama. Misalnya:<\/span><\/p>\n Dan seterusnya.<\/span><\/p>\n Pengelompokan frekuensi yang sama:<\/strong><\/span><\/p>\n Untuk membuat keranjang berisi jumlah observasi yang sama, kita dapat menggunakan fungsi berikut:<\/span> <\/p>\n Setiap kelompok tidak sama lebarnya, tetapi setiap kelompok berisi<\/i> jumlah pengamatan yang sama. Misalnya:<\/span><\/p>\n Dan seterusnya.<\/span><\/p>\n Kita dapat melihat dari histogram bahwa setiap nampan jelas tidak memiliki lebar yang sama, tetapi setiap nampan berisi jumlah pengamatan yang sama, yang dibuktikan dengan fakta bahwa tinggi setiap nampan adalah sama.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Dalam statistik, pengelompokan adalah proses menempatkan nilai numerik ke dalam kelompok . Bentuk pengelompokan yang paling umum dikenal sebagai pengelompokan dengan lebar yang sama , di mana kita membagi kumpulan data menjadi k kelompok dengan lebar yang sama. Bentuk pengelompokan yang kurang umum digunakan dikenal sebagai pengelompokan frekuensi yang sama , di mana kita membagi […]<\/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 Binning Frekuensi yang Sama dengan 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![\"Contoh](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/egalfreqbinningpython2.png\")
<\/p>\n\n