pandas.cut 离散化分箱函数详解与实战

pandas.cut 函数概述

用途

pandas.cut 函数主要用于将一组连续数据划分为离散的区间（分箱）。例如，面对一组年龄数据，可以利用该函数将其划分为不同的年龄段区间，并赋予相应的标签，从而实现数据的离散化处理。

原型

pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False, duplicates='raise') #0.23.4

核心参数详解

参数含义

x：待切分的类数组数据，必须为一维结构（不支持 DataFrame 类型）。

bins：定义切分后的区间（也称为“桶”、“箱”或“面元”），支持三种形式：整数标量、标量序列（数组）或 pandas.IntervalIndex 对象。

一个int型的标量

当 bins 指定为整数标量时，表示将数据 x 均匀划分为该数量的区间。此时，x 的范围在左右两侧各扩展 0.1%，以确保最大值和最小值均被包含在区间内。

标量序列

当 bins 为标量序列时，序列中的数值定义了每个区间 bin 的边缘值。在此模式下，x 的数据范围不会进行自动扩展。

pandas.IntervalIndex

允许用户定义精确使用的区间对象，提供更高的灵活性。

right：布尔型参数，默认为 True，表示区间是否包含右侧边界。例如，若 bins=[1,2,3] 且 right=True，则生成的区间为 (1,2] 和 (2,3]；若 right=False，则区间变为 (1,2) 和 (2,3)。

labels：用于为分割后的 bins 添加标签，例如将年龄区间标记为“青年”、“中年”等。labels 的长度必须与划分后的区间数量一致。例如，若 bins=[1,2,3] 生成了两个区间 (1,2] 和 (2,3]，则 labels 的长度必须为 2。

若指定 labels=False，则返回 x 中每个数据所在的 bin 索引（从 0 开始计数）。

retbins：布尔型参数，控制是否返回分割后的 bins 对象。当 bins 为整数标量时，设置此参数为 True 有助于获取具体的划分区间，默认值为 False。

precision：控制区间小数点的保留位数，默认值为 3。

include_lowest：布尔型参数，决定区间左侧是否包含边界值，默认为 False（即左侧为开区间，不包含左边界）。

duplicates：处理重复区间的策略。可选值为 'raise'（不允许重复，报错）或 'drop'（允许重复，自动处理）。

返回值

out：返回值为 pandas.Categorical、Series 或 ndarray 类型，表示 x 中每个值所属的 bin（区间）。如果指定了 labels，则返回对应的标签。

bins：当 retbins 设置为 True 时，返回分割后的区间数组。

实战案例：年龄数据分箱

例子

以下示例以年龄分组为例进行演示。

import numpy as np
import pandas as pd

ages = np.array([1,5,10,40,36,12,58,62,77,89,100,18,20,25,30,32]) #年龄数据

将ages平分成5个区间

ages = np.array([1,5,10,40,36,12,58,62,77,89,100,18,20,25,30,32]) 
pd.cut(ages, 5)

输出：

[(0.901, 20.8], (0.901, 20.8], (0.901, 20.8], (20.8, 40.6], (20.8, 40.6], ..., (0.901, 20.8], (0.901, 20.8], (20.8, 40.6], (20.8, 40.6], (20.8, 40.6]] Length: 16 Categories (5, interval[float64]): [(0.901, 20.8] < (20.8, 40.6] < (40.6, 60.4] < (60.4, 80.2] < (80.2, 100.0]]

结果显示 ages 被均匀划分为 5 个区间，且区间边界经过扩展以包含原始数据的最大值和最小值。

将ages平分成5个区间并指定labels

ages = np.array([1,5,10,40,36,12,58,62,77,89,100,18,20,25,30,32]) #年龄数据
pd.cut(ages, 5, labels=[u"婴儿",u"青年",u"中年",u"壮年",u"老年"])

输出：

[婴儿, 婴儿, 婴儿, 青年, 青年, ..., 婴儿, 婴儿, 青年, 青年, 青年] Length: 16 Categories (5, object): [婴儿 < 青年 < 中年 < 壮年 < 老年]

给ages指定区间进行分割

ages = np.array([1,5,10,40,36,12,58,62,77,89,100,18,20,25,30,32]) #年龄数据
pd.cut(ages, [0,5,20,30,50,100], labels=[u"婴儿",u"青年",u"中年",u"壮年",u"老年"])

输出：

[婴儿, 婴儿, 青年, 壮年, 壮年, ..., 青年, 青年, 中年, 中年, 壮年] Length: 16 Categories (5, object): [婴儿 < 青年 < 中年 < 壮年 < 老年]

此处未对 ages 进行均匀划分，而是指定了 5 个自定义区间：(0, 5], (5, 20], (20, 30], (30, 50], (50, 100]。

返回分割后的bins

只需设置 retbins=True 即可实现。

ages = np.array([1,5,10,40,36,12,58,62,77,89,100,18,20,25,30,32]) #年龄数据
pd.cut(ages, [0,5,20,30,50,100], labels=[u"婴儿",u"青年",u"中年",u"壮年",u"老年"],retbins=True)

输出：

([婴儿, 婴儿, 青年, 壮年, 壮年, ..., 青年, 青年, 中年, 中年, 壮年] Length: 16 Categories (5, object): [婴儿 < 青年 < 中年 < 壮年 < 老年], array([ 0, 5, 20, 30, 50, 100]))

只返回x中的数据在哪个bin

只需设置 labels=False 即可。

ages = np.array([1,5,10,40,36,12,58,62,77,89,100,18,20,25,30,32]) #年龄数据
pd.cut(ages, [0,5,20,30,50,100], labels=False)

输出：

array([0, 0, 1, 3, 3, 1, 4, 4, 4, 4, 4, 1, 1, 2, 2, 3], dtype=int64)

上述输出中的第一个 0 表示第一个数据点位于第 0 个 bin 中。

参考

1.https://pandas.pydata.org/pandas-docs/version/0.23.4/generated/pandas.cut.html

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持本站。