【每日一个知识点】pandas.cut() 函数

pandas.cut() 用于将连续变量分箱（分段），即将数据划分为不同的区间，并对每个数据点进行归类。常用于数据离散化，例如将年龄、价格等连续数据转换为类别变量。

---

函数语法

pandas.cut(x, bins, right=True, labels=None, retbins=False)

参数说明

• x：

  • 需要进行分箱的一维数据（如 Series、NumPy 数组）。

• bins：

  • 整数：指定分成多少个等宽区间（Pandas 自动计算分界点）。

  • 列表或数组：指定手动分隔的区间边界（如 [0, 10, 20, 30]）。

• right（默认 True）：

  • True：区间右闭合 ((a, b]，即包含右边界 b，不包含左边界 a）。

  • False：区间左闭合 ([a, b)，即包含左边界 a，不包含右边界 b）。

• labels（默认 None）：

  • None：返回的是区间（如 (0, 10]）。

  • 列表：为每个分箱指定标签（如 ['低', '中', '高']）。

• retbins（默认 False）：

  • False：仅返回分类后的数据。

  • True：同时返回实际使用的 bins（区间分界点）。

---

示例 1：等宽分箱

import pandas as pd
import numpy as np

data = np.array([1, 7, 5, 11, 13, 21, 25])
bins = 3  # 指定分成3个等宽区间

result = pd.cut(data, bins)
print(result)

输出

[(0.976, 9.333], (0.976, 9.333], (0.976, 9.333], (9.333, 17.667], (9.333, 17.667], (17.667, 26.0], (17.667, 26.0]]
Categories (3, interval[float64, right]): [(0.976, 9.333] < (9.333, 17.667] < (17.667, 26.0]]

解释：

• bins=3，Pandas 自动计算区间：

  • (0.976, 9.333]

  • (9.333, 17.667]

  • (17.667, 26.0]

• 每个数据点被归入对应区间。

---

示例 2：自定义区间

bins = [0, 10, 20, 30]  # 手动定义分箱边界
result = pd.cut(data, bins)
print(result)

输出

[(0, 10], (0, 10], (0, 10], (10, 20], (10, 20], (20, 30], (20, 30]]
Categories (3, interval[int64, right]): [(0, 10] < (10, 20] < (20, 30]]

解释：

• 0-10、10-20、20-30 三个区间。

• 结果显示每个数据点被归入哪个区间。

---

示例 3：自定义区间+标签

labels = ['低', '中', '高']
result = pd.cut(data, bins, labels=labels)
print(result)

输出

['低', '低', '低', '中', '中', '高', '高']
Categories (3, object): ['低' < '中' < '高']

解释：

• 低：0-10

• 中：10-20

• 高：20-30

• 结果以标签返回，而不是数值区间。

---

示例 4：返回分箱边界

result, bin_edges = pd.cut(data, bins, retbins=True)
print("分箱结果:", result)
print("实际使用的分箱边界:", bin_edges)

输出

分箱结果: [(0, 10], (0, 10], (0, 10], (10, 20], (10, 20], (20, 30], (20, 30]]
Categories (3, interval[int64, right]): [(0, 10] < (10, 20] < (20, 30]]
实际使用的分箱边界: [ 0 10 20 30]

解释：

• retbins=True 会返回实际的分箱边界（如 [0, 10, 20, 30]）。

---

总结

参数	作用
x	需要分箱的数据
bins	分箱个数（整数）或自定义分箱边界（列表）
right	是否包含右边界（默认 True）
labels	给分箱结果加上自定义标签
retbins	是否返回实际的分箱边界

---

📌 适用场景

• 数据离散化（如把年龄划分为"青年"、"中年"、"老年"）。

• 特征工程（如对连续变量进行分箱，提高模型稳定性）。

• 数据可视化（如将数据分类后统计频次）。