统计和 Pandas：Pandas 中 value_counts() 中的标准化意味着什么

问题描述

问题不在于编码，而在于理解归一化在数据统计和相关性方面的含义 这是我正在做的一个例子。 没有标准化：

plt.subplot(111)
plt.plot(df['alcoholism'].value_counts(),marker='o')
plt.plot(df.query('no_show =="Yes"')['alcoholism'].value_counts(),color='black')
plt.show();

使用标准化：

plt.subplot(111)
plt.plot(df['alcoholism'].value_counts(normalize=True),marker='o')
plt.plot(df.query('no_show =="Yes"')['alcoholism'].value_counts(normalize=True),color='black')
plt.show();

哪一个更好地将值与标准化或不标准化相关？或者这是一个完全错误的想法？ 我是数据和熊猫的新手，所以请原谅我糟糕的代码，链接，评论，风格:)

解决方法

正如您在标准化（第二个图）时所看到的，对于绘制的每条线，两个点的总和等于 1。标准化是为您提供每个值的发生率，而不是出现次数。

the doc 说的是：

normalize : bool，默认为 False
返回比例而不是频率。

• value_counts() 可能返回如下内容：

  0    110000
  1      1000
  dtype: int64
  

• 和 value_counts(normalize=True) 可能返回如下内容：

  0    0.990991
  1    0.009009
  dtype: float64
  

换句话说，归一化和非归一化之间的关系可以检查为：

>>> counts = df['alcoholism'].value_counts()
>>> rate = df['alcoholism'].value_counts(normalize=True)
>>> np.allclose(rate,counts / counts.sum())
True

其中 np.allclose 允许正确比较两个浮点数系列。