python 的cut与qcut

我想要实现多分类，样本不是均匀分布的

使用cut，可以实现自定义范围分类
使用qcut，可以实现每个 分类的个数大致相等

cut 与 qcut方法使用

参考 https://www.cnblogs.com/Motimer/p/16006313.html

1、cut方法

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

（1）参数

• X：被切分的类数组（array-like）数据，必须是1维的。不能是DataFrame。

• bins：被切割后的区间，有3中形式：int, sequence of scalars, or IntervalIndex。

int：代表将X平分成bins份，x的范围在每侧扩展0.1%，以包括X的最大值和最小值。

sequence of scalars（标量序列）：被分割后每一个bin的区间边缘，此时x没有扩展。

IntervalIndex：定义要使用的精确区间。

• right：bool型，默认为True。是否包括最右边的边缘，比如right=True，bins=[1,2,3,4]，则区间为(1,2]、(2,3]、(3,4]；right=False，则区间为(1,2）、(2,3）、(3,4）。

• labels：给分割后的bins打标签。必须与箱子长度相同，比如bins=[1,2,3]，划分后有两个区间(1,2]、(2,3]，则labels长度必须为2。如果labels=False，则返回X中的数据在第几个 bin中(从0开始)。

• retbins：bool型，默认为False。是否将分割后的bins返回，当bins为一个int型的标量比较有用，这样可以得到划分后的区间。

• precision：保留区间小数点的位数，默认为3.

• include_lowest：bool型，默认为False。第一个间隔是否应包含在内。

• duplicates：是否允许重复区间。raise：不允许，drop：允许。

• ordered：bool型，默认为True。True对结果进行排序，False不排序。

（2）返回值

• out：Categorical, Series, or
  ndarray。分区后x中的每个值在那个bin中，如果指定了labels则返回对应的label。

• bins：分割后的区间，当指定retbins为True时返回。

（3）举例
　 先生成一些测试数据

df = pd.DataFrame([x**2 for x in range(11)],columns=['number',]) # 指数列， 10个数
df

1. 按照数据值由小到大的顺序将数据分成4份，并且使每组值的范围大致相等。

df['cut_group'] = pd.cut(df['number'],4)
df

2.（bins参数：按照指定的边界值对变量进行分割）

df['cut_group'] = pd.cut(df['number'],bins=[0,4,8,12,16,20])
df

3. #（labels为False，返回值在第几个bin中）

df['cut_group'] = pd.cut(df['number'],bins=[0,4,8,12,16,20],right=False,labels=False)
df

4. （返回自定义标签名）

df['cut_group'] = pd.cut(df['number'],bins=[0,4,8,12,16,20],right=False,labels=['第一','第二','第三','第四','第五',])
df

5 返回划分区间（retbins参数：获取边界值的列表）

df['cut_group'],bins = pd.cut(df['number'],4,retbins=True)
bins

6

df['cut_group'] = pd.cut(df['number'],bins=[0,4,8,12,16,20],right=True,include_lowest=True) #（第二）
df

2、qcut方法

pandas.qcut(x, q, labels=None, retbins=False, precision=3, duplicates='raise')

（1）参数

• x：一维 ndarray 或系列
• q：整数或浮点数的list-like，分位数。 10 表示十分位数，4 表示四分位数等。交替排列的分位数，例如[0, .25, .5, .75, 1.] 四分位数。
• labels：数组或假，默认无。用作结果箱的标签。必须与生成的 bin 长度相同。如果为 False，则仅返回 bin 的整数指示符。如果为 True，则引发错误。
• retbins：布尔型，可选。是否返回(箱，标签)。如果 bins 作为标量给出，则可能很有用。
• precision：整数，可选。存储和显示 bin 标签的精度。
• duplicates：{默认 ‘raise’, ‘drop’}，可选。

(2) 举例

1. 按变量的数量来对变量进行分割，把变量由小到大分成四组，并且让每组变量的数量相同

df = pd.DataFrame([x**2 for x in range(11)],columns=['number',])
df['cut_group'] = pd.qcut(df['number'],4)
df

2. 跟cut()一样， 我们可以通过在qcut()设置retbins参数， 获取每个分组的边界值列表。

df['cut_group'], bins = pd.qcut(df['number'],4,retbins=True)
bins