对于一个一维的数值型数据,我们有时候想对其根据数值区间或者根据分位数进行分组,然后再做后续的分析,本文介绍pandas里的cut和qcut函数,实现这种快速分组操作。
cut
cut函数,将一维序列中的数值打上区间标签,参数签名如下:
pandas.
cut
(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False, duplicates='raise')
其中x必须是一维数据,区间标签中的区间由bins指定,可以为一个数值序列,比如[0,2,4,6],表示的区间为(0,2],(2,4],(4,6];也可以为整数,比如3,表示将x所蕴含的区间长度进行三等分,其中x所蕴含的区间长度就是最大值和最小值之差。比如:
In [2]: pd.cut([0,60,100,82,50],3)
Out[2]:
[(-0.1, 33.333], (33.333, 66.667], (66.667, 100.0], (66.667, 100.0], (33.333, 66.667]]
Categories (3, interval[float64]): [(-0.1, 33.333] < (33.333, 66.667] < (66.667, 100.0]]
这里将[0,60,100,82,50]进行三等分,区间长度为100-0=100,所以每个区间长度就是33.333。返回的是Categories类型。
这里默认等分后的区间是左开右闭的,也可以通过设置right参数为False,设置区间为左闭右开。
还可以注意到,当bins参数为整数时,对于开区间的一边,会默认延展千分之一的区间长度,以包含最小值(最大值),比如上面的例子中,最小区间的左边为-0.1,而不是0,这是因为pandas将区间向左边延展了千分之一(100*0.001=0.1),从而将x的最小值0包含进去。
对于区间的精度,可以通过precision参数控制,默认为3,那么上面例子中,区间的两边的值就会保留三位小数(比如(33.333,66.667]),你也可以设置为6,从而保留6位小数。
此外,如果想返回具体的切分点,即区间的边界点,可以将retbins设为True,这样就会返回一个二元组,其中第二个元素就是对应的Bins序列,如下所示:
In [6]: pd.cut([0,60,100,82,50],3,retbins=True)
Out[6]:
([(-0.1, 33.333], (33.333, 66.667], (66.667, 100.0], (66.667, 100.0], (33.333, 66.667]]
Categories (3, interval[float64]): [(-0.1, 33.333] < (33.333, 66.667] < (66.667, 100.0]],
array([ -0.1 , 33.33333333, 66.66666667, 100. ]))
如果你只是想要将数据按照相应的逻辑分好组就行,具体区别的区间标签不重要,那么你可以设置labels为False,那么该函数就会将不同的区间从小到大用整数标记,从0开始,如下所示,只会返回对应的整数标记。
In [7]: pd.cut([0,60,100,82,50],3,labels=False)
Out[7]: array([0, 1, 2, 2, 1], dtype=int64)
当然,如果你想要对不同的区间进行一些有意义的标记,则可以将有意义的标签序列传给labels参数,这里labels参数的序列长度必须要和区间的个数相等。如下所示。
In [8]: pd.cut([0,60,100,82,50],3,labels=['a','b','c'])
Out[8]:
[a, b, c, c, b]
Categories (3, object): [a < b < c]
最后,我们更常用的可能不是将数据根据区间长度进行等分,而是指定区间边界进行划分,这时可以将指定的边界序列传给bins参数实现,如下所示。
In [11]: pd.cut([0,60,100,82,50],bins=[0,2,30,50,80])
Out[11]:
[NaN, (50.0, 80.0], NaN, NaN, (30.0, 50.0]]
Categories (4, interval[int64]): [(0, 2] < (2, 30] < (30, 50] < (50, 80]]
可以看到,如果我们指定了bins序列的话,那么默认情况下,就会严格的按照bins中的数划分区间,不会自动将区间延展千分之一,当然,如果你此时设置include_lowest参数为True,那么会自动延展千分之一,不过这个参数只对最小值work,如果你设置right为False,那么即使设置include_lowest为True,并不会自动将最大区间的右边界延展千分之一。这里还需要注意的是,如果x中的值不在指定的bins区间中的话,对应位置的标签就会为nan。
还要注意,这里bins参数如果是指定的数值序列的话,那么其必须是严格递增的;但是如果bins中如果有重复数值的话,由于区间不允许为空,因此可以通过duplicates控制行为,如果为raise,则表示会抛出异常,如果为drop,则表示自动去重。
qcut
cut函数是直接通过数值区间对输入序列进行分组,如果我们想要对输入序列进行个数等分,或者按照不同组别的size大小对输入序列进行划分,应该怎么做呢?
当然,我们可以通过所希望的区间size大小求得输入序列对应的分位数,然后将分位数作为bins传给cut函数,这种方式是完全可行的。但是pandas提供了一种更简单的实现方式,qcut函数,即使用分位数对输入序列进行size大小的切分。
qcut的函数签名如下:
pandas.
qcut
(x, q, labels=None, retbins=False, precision=3, duplicates='raise')
相比于cut函数,qcut函数中的参数会少一些,而且含义基本和cut函数一样。这里需要说明的就是参数q,其他参数的含义和cut函数是一样的。
对于qcut函数,会强制的将x的区间长度左延千分之一,以包含最小值,且区间强制是左开右闭的,没有参数控制。如果q为整数,代表将x按照元素个数进行q等分,即计算k*q分位数,k为整数,k*q介于0,1之间。所以,该函数最后所得到的区间就是对应的分位数,如下所示。
In [17]: pd.qcut([0,60,100,82,50],q=4,retbins=True)
Out[17]:
([(-0.001, 50.0], (50.0, 60.0], (82.0, 100.0], (60.0, 82.0], (-0.001, 50.0]]
Categories (4, interval[float64]): [(-0.001, 50.0] < (50.0, 60.0] < (60.0, 82.0] < (82.0, 100.0]],
array([ 0, 50, 60, 82, 100], dtype=int64))
当然,你也可以自定义q,比如[0,0.2,0.30,0.50,0.80,1],则区间边界就是对应的传入q的序列分位数。如下所示。
In [16]: pd.qcut([0,60,100,82,50],q=[0,0.2,0.30,0.50,0.80,1],retbins=True)
Out[16]:
([(-0.001, 40.0], (52.0, 60.0], (85.6, 100.0], (60.0, 85.6], (40.0, 52.0]]
Categories (5, interval[float64]): [(-0.001, 40.0] < (40.0, 52.0] < (52.0, 60.0] < (60.0, 85.6] <
(85.6, 100.0]],
array([ 0. , 40. , 52. , 60. , 85.6, 100. ]))