Python တွင် တူညီသောကြိမ်နှုန်း binning

စာရင်းဇယားများတွင် အုပ်စုဖွဲ့ခြင်းသည် ကိန်းဂဏာန်းတန်ဖိုးများကို အုပ်စုများ အဖြစ် သတ်မှတ်ခြင်းလုပ်ငန်းစဉ်ဖြစ်သည်။

အစုအဝေး၏အသုံးအများဆုံးပုံစံကို တူညီသောအနံရှိသောအစုအဝေးများ ဟုခေါ်သည်၊ ယင်းတွင် ကျွန်ုပ်တို့သတ်မှတ်ထားသောဒေတာကို အညီအမျှအကျယ်ရှိသော k အုပ်စုများအဖြစ် ပိုင်းခြားသည်။

အသုံးနည်းသော အစုအဝေးပုံစံကို ကြိမ်နှုန်းညီမျှသော ကြိမ်နှုန်းအစုအဝေး ဟု ခေါ်သည်၊ ယင်းတွင် ကျွန်ုပ်တို့သည် သတ်မှတ်ထားသော ဒေတာကို ကြိမ်နှုန်းများစွာရှိသည့် k အုပ်စုများအဖြစ် ပိုင်းခြားထားသည်။

ဤသင်ခန်းစာတွင် python တွင် တူညီသောကြိမ်နှုန်းအစုအဝေးကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြထားသည်။

Python တွင် တူညီသောကြိမ်နှုန်း Binning

ကျွန်ုပ်တို့တွင် တန်ဖိုး 100 ပါသော ဒေတာအတွဲတစ်ခုရှိသည်ဆိုပါစို့။

 import numpy as np
import matplotlib.pyplot as plt

#create data
np.random.seed(1)
data = np.random.randn(100)

#view first 5 values
data[:5]

array([ 1.62434536, -0.61175641, -0.52817175, -1.07296862, 0.86540763])

တူညီသော အကျယ်ကို အုပ်စုဖွဲ့ခြင်း-

ဤတန်ဖိုးများကိုပြသရန် ဟီစတိုဂရမ်တစ်ခုကို ဖန်တီးပါက၊ Python သည် တူညီသောအနံဖြင့် အုပ်စုဖွဲ့ခြင်းသို့ ပုံသေဖြစ်လိမ့်မည်-

 #create histogram with equal-width bins
n, bins, patches = plt.hist(data, edgecolor='black')
plt.show()

#display bin boundaries and frequency per bin 
bins, n

(array([-2.3015387 , -1.85282729, -1.40411588, -0.95540447, -0.50669306,
        -0.05798165, 0.39072977, 0.83944118, 1.28815259, 1.736864,
         2.18557541]),
 array([ 3., 1., 6., 17., 19., 20., 14., 12., 5., 3.]))

အုပ်စုတစ်ခုစီတွင် ခန့်မှန်းခြေ 0.4487 နှင့် တူညီသောအကျယ်ရှိသော်လည်း အုပ်စုတစ်ခုစီတွင် တူညီသောလေ့လာတွေ့ရှိချက်ပမာဏ မပါဝင်ပါ။ ဥပမာအားဖြင့်:

• ပထမပုံးသည် -2.3015387 မှ -1.8528279 အထိ ချဲ့ထွင်ပြီး လေ့လာချက် 3 ခု ပါရှိသည်။
• ဒုတိယပုံးသည် -1.8528279 မှ -1.40411588 သို့ တိုးချဲ့ပြီး 1 စူးစမ်းမှုပါရှိသည်။
• တတိယပုံးသည် -1.40411588 မှ -0.95540447 သို့ တိုးချဲ့ပြီး 6 ချက်ပါရှိသည်။

နောက် … ပြီးတော့။

တူညီသောကြိမ်နှုန်းအုပ်စုဖွဲ့ခြင်း-

လေ့လာတွေ့ရှိချက်အရေအတွက် တူညီသောပုံးများဖန်တီးရန်၊ အောက်ပါလုပ်ဆောင်ချက်ကို ကျွန်ုပ်တို့အသုံးပြုနိုင်သည်-

 #define function to calculate equal-frequency bins 
def equalObs(x, nbin):
    nlen = len(x)
    return np.interp(np.linspace(0, nlen, nbin + 1),
                     np.arange(nlen),
                     np.sort(x))

#create histogram with equal-frequency bins 
n, bins, patches = plt.hist(data, equalObs(data, 10), edgecolor='black')
plt.show()

#display bin boundaries and frequency per bin 
bins, n

(array([-2.3015387 , -0.93576943, -0.67124613, -0.37528495, -0.20889423,
         0.07734007, 0.2344157, 0.51292982, 0.86540763, 1.19891788,
         2.18557541]),
 array([10., 10., 10., 10., 10., 10., 10., 10., 10., 10.])) 

အုပ်စုတစ်ခုစီသည် အကျယ်မညီသော်လည်း အုပ်စုတစ်ခုစီတွင် တူညီသော ပမာဏတစ်ခုစီ ပါရှိသည် ။ ဥပမာအားဖြင့်:

• ပထမပုံးသည် -2.3015387 မှ -0.93576943 အထိ ချဲ့ထွင်ပြီး မှတ်သားစရာ 10 ခုပါရှိသည်။
• ဒုတိယပုံးသည် -0.93576943 မှ -0.67124613 သို့ ချဲ့ထွင်ပြီး 10 အကဲခတ်မှုများပါရှိသည်။
• တတိယပုံးသည် -0.67124613 မှ -0.37528495 အထိ ချဲ့ထွင်ပြီး 10 မှတ်ချက်များ ပါရှိသည်။

နောက် … ပြီးတော့။

ဘင်တစ်ခုစီသည် အကျယ်မတူညီကြောင်း ရှင်းရှင်းလင်းလင်း သိနိုင်သော်လည်း ဘင်တစ်ခုစီတွင် တူညီသော လေ့လာတွေ့ရှိချက်အရေအတွက်များပါရှိသည်၊ ယင်းပုံးတစ်ခုစီ၏ အမြင့်သည် တူညီကြောင်း အတည်ပြုနိုင်သည်