统计数据和 Pandas：标准化在 Pandas 中的 value_counts() 中意味着什么

Question

问题不在于编码，而在于了解归一化在统计数据和数据相关性方面的含义 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();

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();

哪个更好地关联具有或不具有标准化的值？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:)

Answer 1

正如您在标准化（第二个图）时看到的那样，对于绘制的每条线，两个点的总和都等于 1。规范化是为您提供每个值出现的rate，而不是出现的number。

the doc 是这么说的：

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
  

• 而value_counts(normalize=True) 可能会返回如下内容：

  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

np.allclose 允许正确比较两个浮点数系列。