利用pd.cut()和pd.qcut()对数据进行分箱操作

最新推荐文章于 2024-05-19 10:37:35 发布

原创最新推荐文章于 2024-05-19 10:37:35 发布 · 6.6k 阅读

38 ·

CC 4.0 BY-SA版权

文章标签：

#Python #数据分析 #离散化和分箱 #pd.cut #pd.qcut()

数据分析专栏收录该内容

8 篇文章

订阅专栏

本文介绍如何使用Pandas中的cut()和qcut()函数对数据进行分箱处理，包括自定义区间分箱和等频分箱的方法，并提供具体实例。

使用cut()和qcut()对数据进行分箱操作

1.cut()可以实现类似于对成绩进行优良统计的功能，来看代码示例。

假如我们有一组学生成绩，我们需要将这些成绩分为不及格（0-59）、及格（60-70）、良（71-85）、优（86-100）这几组。这时候可以用到cut()


import numpy as np
import pandas as pd

# 我们先给 scores传入30个从0到100随机的数
scores = np.random.uniform(0,100,size=30)

# 然后使用 np.round()函数控制数据精度
scores = np.round(scores,1)

# 指定分箱的区间
grades = [0,59,70,85,100]

cuts = pd.cut(scores,grades)
print('\nscores:')
print(scores)
print('\ncuts:')
print(cuts)
# 我们还可以计算出每个箱子中有多少个数据
print('\ncats.value_counts:')
print(pd.value_counts(cuts))

======output:======

scores:
[ 6.  50.8 80.2 22.1 60.1 75.1 30.8 50.8 81.6 17.4 13.4 24.3 67.3 84.4
 63.4 21.3 17.2  3.7 40.1 12.4 15.7 23.1 67.4 94.8 72.6 12.8 81.  82.
 70.2 54.1]

cuts:
[(0, 59], (0, 59], (70, 85], (0, 59], (59, 70], ..., (0, 59], (70, 85], (70, 85], (70, 85], (0, 59]]
Length: 30
Categories (4, interval[int64]): [(0, 59] < (59, 70] < (70, 85] < (85, 100]]

cuts.value_counts:
(0, 59]      17
(70, 85]      8
(59, 70]      4
(85, 100]     1
dtype: int64

默认情况下，cat()的区间划分是左开右闭，可以传递right=False来改变哪一边是封闭的

代码示例：

cuts = pd.cut(scores,grades,right=False)

也可以通过向labels选项传递一个列表或数组来传入自定义的箱名

代码示例：

group_names = ['不及格','及格','良','优秀']
cuts = pd.cut(scores,grades,labels=group_names)

当我们不需要自定义划分区间时，而是需要根据数据中最大值和最小值计算出等长的箱子。

代码示例：

# 将成绩均匀的分在四个箱子中，precision=2的选项将精度控制在两位
cuts = pd.cut(scores,4,precision=2)

2.qcut()可以生成指定的箱子数，然后使每个箱子都具有相同数量的数据

代码示例：

import numpy as np
import pandas as pd

# 正态分布
data = np.random.randn(100)

# 分四个箱子
cuts = pd.qcut(data,4)

print('\ncuts:')
print(cuts)
print('\ncuts.value_counts:')
print(pd.value_counts(cuts))


======output:======

cuts:
[(-0.745, -0.0723], (0.889, 2.834], (-0.745, -0.0723], (0.889, 2.834], (0.889, 2.834], ..., (-0.745, -0.0723], (-0.0723, 0.889], (-3.1599999999999997, -0.745], (-0.745, -0.0723], (-0.0723, 0.889]]
Length: 100
Categories (4, interval[float64]): [(-3.1599999999999997, -0.745] < (-0.745, -0.0723] < (-0.0723, 0.889] <
                                    (0.889, 2.834]]

cuts.value_counts:
(0.889, 2.834]                   25
(-0.0723, 0.889]                 25
(-0.745, -0.0723]                25
(-3.1599999999999997, -0.745]    25
dtype: int64