Python数据分析实战【十三】：用pandas将数据划分区间【文末源码地址】

在数据分析的过程中，经常会遇到：年龄，收入，价格以及类似的数据，在数据分析前，需要将这些数据划分到一系列区间中，再将区间进行不同的编码，对编码后的数据进行分析。

在pandas中可以使用pandas.cut()方法实现对数据的区间划分，以及对区间进行标记。

案例数据

• 以name,age,score为例，使用pandas.cut()方法对age、score进行区间划分。

import pandas as pd
import numpy as np

df = pd.DataFrame(data={
    "name":["A","B","C","D","E","F","G","H","I","J"],
    "age":[23,26,37,46,85,12,53,80,66,32],
    "score":[13,23,22,76,56,89,99,100,10,54],
})

数据形式展示：

	name	age	score
0	A	23	13
1	B	26	23
2	C	37	22
3	D	46	76
4	E	85	56
5	F	12	89
6	G	53	99
7	H	80	100
8	I	66	10
9	J	32	54

pandas.cut()介绍

用来将数据划分为不同的区间

• x：array型数据（DataFrame的每一列数据都是array型数据）
• bins：传入int型数据，表示划分的区间个数，传入list型数据，表示自定义的区间
• labels：传入与bins对应区间的标签list型数据（默认为None）
• retbins：True表示返回划分的区间，False表示不返回划分的区间（默认为False）
• right：True表示左开右闭，False表示左闭右开（默认为True）

返回数据：

• x对应所在的区间，array类型
• retbins为True时，还会返回划分区间

一、自动划分区间

例如：bins=3,right=True,pandas会将数据划分为3个区间,划分方法,

(max-(max-min)/bins,max]==>(60.667,85]

(max-(max-min)/bins*2,max-(max-min)/bins]==>(36.333.60.667]

(max-(max-min)/bins*3,max-(max-min)/bins*2]==>(11.927, 36.333]

a,b = pd.cut(x=df["age"],bins=3,right=True,retbins=True)

# a,bins传入的是int类型，自动生成的区间
0    (11.927, 36.333]
1    (11.927, 36.333]
2    (36.333, 60.667]
3    (36.333, 60.667]
4      (60.667, 85.0]
5    (11.927, 36.333]
6    (36.333, 60.667]
7      (60.667, 85.0]
8      (60.667, 85.0]
9    (11.927, 36.333]
Name: age, dtype: category
Categories (3, interval[float64]): [(11.927, 36.333] < (36.333, 60.667] < (60.667, 85.0]]
                                                                           
# b,自动划分的区间
array([11.927, 36.333, 60.667, 85.0])

二、自定义划分区间

eg：自定义一个年龄分段列表，age_bins = [10,20,30,50,70,80,90]

对应的区间为：[(10, 20] < (20, 30] < (30, 50] < (50, 70] < (70, 80] < (80, 90]]

这样pandas会按照age_bins指定的区间进行划分

age_bins = [10,20,30,50,70,80,90]
a,b = pd.cut(x=df["age"],bins=age_bins,right=True,retbins=True)

a和b的值：

# a返回的数据区间array对象
0    (20, 30]
1    (20, 30]
2    (30, 50]
3    (30, 50]
4    (80, 90]
5    (10, 20]
6    (50, 70]
7    (70, 80]
8    (50, 70]
9    (30, 50]
Name: age, dtype: category
Categories (6, interval[int64]): [(10, 20] < (20, 30] < (30, 50] < (50, 70] < (70, 80] < (80, 90]]

# b数据区间retbins=True
array([10, 20, 30, 50, 70, 80, 90])

三、区间左边是否包含

使用场景：当age为80的时候，应该归为(70,80]还是[80,90)，这是个问题

eg：bins = [10,20,30,50,70,80,90]，right=True

对应的区间为：[(10, 20] < (20, 30] < (30, 50] < (50, 70] < (70, 80] < (80, 90]]

pd.cut(x=df.age,bins=age_bins,retbins=True,right=True)

(0    (20, 30]
 1    (20, 30]
 2    (30, 50]
 3    (30, 50]
 4    (80, 90]
 5    (10, 20]
 6    (50, 70]
 7    (70, 80]
 8    (50, 70]
 9    (30, 50]
 Name: age, dtype: category
 Categories (6, interval[int64]): [(10, 20] < (20, 30] < (30, 50] < (50, 70] < (70, 80] < (80, 90]],
 array([10, 20, 30, 50, 70, 80, 90]))      

bins = [10,20,30,50,70,80,90]，right=False

对应的区间为：[[10, 20) < [20, 30) < [30, 50) < [50, 70) < [70, 80) < [80, 90)]

pd.cut(x=df.age,bins=age_bins,retbins=True,right=False)

(0    [20, 30)
 1    [20, 30)
 2    [30, 50)
 3    [30, 50)
 4    [80, 90)
 5    [10, 20)
 6    [50, 70)
 7    [80, 90)
 8    [50, 70)
 9    [30, 50)
 Name: age, dtype: category
 Categories (6, interval[int64]): [[10, 20) < [20, 30) < [30, 50) < [50, 70) < [70, 80) < [80, 90)],
 array([10, 20, 30, 50, 70, 80, 90]))

四、区间加上标签

使用labels参数可以对区间加上标签，例如score列，小于60为不及格，60-80良好，80以上优秀

eg:bins:[0,60,80,100]，labels：[“不及格”,“良好”,“优秀”]

返回的是对应的标签，而不是对应的区间

pd.cut(x=df.score,bins=[0,60,80,100],labels=["不及格","良好","优秀"])

代码运行结果：

0    不及格
1    不及格
2    不及格
3     良好
4    不及格
5     优秀
6     优秀
7     优秀
8    不及格
9    不及格
Name: score, dtype: category
Categories (3, object): ['不及格' < '良好' < '优秀']

给数据加上区间和标签

df["age_range"] = pd.cut(x=df["age"],bins=[10, 20, 30, 50, 70, 80, 90])
df["score_label"] = pd.cut(x=df["score"],bins=[0,60,80,100],labels=["不及格","良好","优秀"])

代码运行结果：

	name	age	score	age_range	score_label
0	A	23	13	(20, 30]	不及格
1	B	26	23	(20, 30]	不及格
2	C	37	22	(30, 50]	不及格
3	D	46	76	(30, 50]	良好
4	E	85	56	(80, 90]	不及格
5	F	12	89	(10, 20]	优秀
6	G	53	99	(50, 70]	优秀
7	H	80	100	(70, 80]	优秀
8	I	66	10	(50, 70]	不及格
9	J	32	54	(30, 50]	不及格

# 源码地址

链接：https://pan.baidu.com/s/1I24HGZz9_TXaaxXpeJKfqg?pwd=y80k
提取码：y80k