A forma mais comum de clustering \u00e9 conhecida como clustering de largura igual<\/strong> , em que dividimos um conjunto de dados em k<\/em> grupos de largura igual.<\/span><\/p>\n Uma forma de agrupamento menos comumente usada \u00e9 conhecida como agrupamento de frequ\u00eancia igual<\/strong> , na qual dividimos um conjunto de dados em k<\/em> grupos, todos com igual n\u00famero de frequ\u00eancias.<\/span><\/p>\n Este tutorial explica como realizar clustering de frequ\u00eancia igual em python.<\/span><\/p>\n Suponha que temos um conjunto de dados contendo 100 valores:<\/span><\/p>\n Agrupamento de largura igual:<\/strong><\/span><\/p>\n Se criarmos um histograma para exibir esses valores, o Python usar\u00e1 como padr\u00e3o o agrupamento de largura igual:<\/span> <\/p>\n Cada grupo tem uma largura igual de aproximadamente 0,4487, mas cada grupo n\u00e3o cont\u00e9m uma quantidade igual de observa\u00e7\u00f5es. Por exemplo:<\/span><\/p>\n E assim por diante.<\/span><\/p>\n Agrupamento de frequ\u00eancia igual:<\/strong><\/span><\/p>\n Para criar intervalos contendo um n\u00famero igual de observa\u00e7\u00f5es, podemos usar a seguinte fun\u00e7\u00e3o:<\/span> <\/p>\n Cada grupo n\u00e3o tem largura igual, mas cada grupo cont\u00e9m<\/i> uma quantidade igual de observa\u00e7\u00f5es. Por exemplo:<\/span><\/p>\n E assim por diante.<\/span><\/p>\n Podemos ver no histograma que cada caixa claramente n\u00e3o tem a mesma largura, mas cada caixa cont\u00e9m o mesmo n\u00famero de observa\u00e7\u00f5es, o que \u00e9 confirmado pelo fato de que a altura de cada caixa \u00e9 igual.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Em estat\u00edstica, agrupamento \u00e9 o processo de colocar valores num\u00e9ricos em grupos . A forma mais comum de clustering \u00e9 conhecida como clustering de largura igual , em que dividimos um conjunto de dados em k grupos de largura igual. Uma forma de agrupamento menos comumente usada \u00e9 conhecida como agrupamento de frequ\u00eancia igual , […]<\/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":[],"class_list":["post-836","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Binning de frequ\u00eancia igual em 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![\"Exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/egalfreqbinningpython2.png\")
<\/p>\n\n