如何在Python中实现数据分箱

1 数据分箱
数据分箱技术在Pandas官方给出的定义：Bin values into discrete intervals，是指将值划分到离散区间。好比不同大小的苹果归类到几个事先布置的箱子中；不同年龄的人划分到几个年龄段中。

这种技术在数据处理时会很有用。

2 例子
我们先来看例子

import numpy as np
import pandas as pd
ages = np.array([5,10,36,12,77,89,100,30,1]) #年龄数据
1
2
3

现把数据划分成 3 个区间，并打上老、中、青的标签。Pandas提供了易用的API，很容易就可以实现。

pd.cut(ages, 3, labels=['青','中','老'])
1

结果如下，一行代码便实现。

[青, 青, 中, 青, 老, 老, 老, 青, 青]
1

cut在操作时，统计了一维数组的最小、最大值，得到一个区间长度，因为需要划分3个区间，所以会得到三个均匀的区间，如下。

pd.cut(ages, 3 )
>>>区间如下：
Categories (3, interval[float64]): 
[(0.901, 34.0] < (34.0, 67.0] < (67.0, 100.0]]
1
2
3
4

给定数据的最小值为1，区间默认是左开右闭，所以为了囊括1，需要将最靠左的区间向左延长0.1%（总区间长度），默认精度为小数点后3位。

3 函数原型
通过以上例子初步认识cut后，再分析cut原型就比较容易。

参数含义如下：
x：被切分的类数组数据，注意必须是1维；
bins：简单理解为分箱规则，就是桶。支持int 标量、序列；
right：表示是否包含区间的右边界，默认包含；
labels：分割后的bins打标签；
retbins：表示是否将分割后的bins返回，默认不返回。如为True，则：

-----------------------------------------------------
注：我这有个学习基地，里面有很多学习资料，感兴趣的+Q群：895 797 751，
-----------------------------------------------------

    array([   0.901,   34.   ,   67.   ,  100.   ]))
1
2
3
4
5
include_lowest :区间的左边是开还是闭，默认为开；
duplicates;是否允许重复区间。raise：不允许，drop：允许。