pandas.cut的一些问题总结

今天偶然用到pandas的cut方法，相当好用，不过也有问题要解决，主要看一些容易困惑的地方。

pandas.cut ：

有什么用？

           当我们想要切分数据，或者对数据进行划分，也就是把一组数据分散成离散的间隔，那就要用到 cut 了。

cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False, duplicates='raise')
    # Bin values into discrete intervals.

参数都有什么含义：

x: 被切分的类数组（array-like）数据, 前提是必须是1-维 的。

bins:被切分后的区间（我习惯称为“箱”或者“桶”），主要有三种形式： int, sequence of scalars, or pandas.IntervalIndex

    

• 一个int型的标量
  当bins为一个int型的标量时，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。

标量划分：

print(pd.cut(np.array([1, 7, 5, 4, 6, 3]), 3))
# 计划分成3个区间 每个数 放入不同的分箱中

• 标量序列
  标量序列定义了被分割后每一个bin的区间边缘，此时x没有扩展。
• pandas.IntervalIndex
  定义要使用的精确区间。

right：bool型参数，默认为True，表示是否包含区间右部。比如如果bins=[1,2,3]，right=True，则区间为(1,2]，(2,3]；right=False，则区间为[1,2),[2,3)。

           不过这里很容易使人疑惑。来看个例子：

right=True的情况：

s = pd.Series(np.array([2, 4, 6, 8, 10]),index=['a', 'b', 'c', 'd', 'e'])
pd.cut(s, [0, 2, 4, 6, 10, 10], labels=False, retbins=True, right=True, duplicates='drop')

# 这时候的划分 (0, 2], (2, 4], (4, 6], (6, 10]   注意：duplicates='drop'表示保证划分是唯一的

right=False的情况：

s = pd.Series(np.array([2, 4, 6, 8, 10]),index=['a', 'b', 'c', 'd', 'e'])
pd.cut(s, [0, 2, 4, 6, 10, 10], labels=False, retbins=True, right=True, duplicates='drop')

# 这时候的划分 [0, 2), [2, 4), [4, 6), [6, 10)   注意：duplicates='drop'表示保证划分是唯一的

labels：给分割后的bins打标签，比如把年龄x分割成年龄段bins后，可以给年龄段打上诸如青年、中年的标签。labels的长度必须和划分后的区间长度相等，比如bins=[1,2,3]，划分后有2个区间(1,2]，(2,3]，则labels的长度必须为2。如果指定labels=False，则返回x中的数据在第几个bin中（从0开始）。
retbins：bool型的参数，表示是否将分割后的bins返回，当bins为一个int型的标量时比较有用，这样可以得到划分后的区间，默认为False。
precision：保留区间小数点的位数，默认为3.
include_lowest：bool型的参数，表示区间的左边是开还是闭的，默认为false，也就是不包含区间左部（闭）。
duplicates：是否允许重复区间。有两种选择：raise：不允许，drop：允许。