python--两种分箱的比较

分箱简介

分箱操作的数据预处理中将连续变量处理成分类变量的操作，本文将介绍两种分箱方法。

数据准备

import numpy as np
import pandas as pd

score_list = np.random.randint(25, 100, size=20)
score_cut = pd.cut(score_list, bins)
df = pd.DataFrame()
df['score'] = score_list
print(df)
    score
0      66
1      44
2      30
3      28
4      98
5      48
6      81
7      67
8      46
9      78
10     72
11     30
12     30
13     34
14     40
15     37
16     93
17     62
18     52
19     30

IF分箱

###方法一 优点 可以多重判断
# 函数中不可出现list，如df['score'] <= 59，否则ambiguous报错
def get_score_level(x):
    if x <= 59:
        return 'A'
    if x <= 70:
        return 'B'
    return 'C'
# 注意需要设置axis=1，axis轴为纵列
df.loc[:, "age_type"] = df['score'].apply(get_score_level)
print(df)
    score age_type
0      66        B
1      44        A
2      30        A
3      28        A
4      98        C
5      48        A
6      81        C
7      67        B
8      46        A
9      78        C
10     72        C
11     30        A
12     30        A
13     34        A
14     40        A
15     37        A
16     93        C
17     62        B
18     52        A
19     30        A

pd.cut分箱

###方法二 优点 语句简洁
bins = [0, 59, 70, 100]
df['Categories'] = pd.cut(df['score'], bins, labels=['A', 'B', 'C'])
print(df)
    score Categories
0      83          C
1      99          C
2      58          A
3      90          C
4      44          A
5      73          C
6      37          A
7      51          A
8      41          A
9      90          C
10     76          C
11     41          A
12     42          A
13     63          B
14     80          C
15     36          A
16     55          A
17     53          A
18     42          A
19     68          B