pandas利用pd.cut进行数值型数据分组

在对数据进行处理分析时，有时需要对csv等表格数据中的某列数据进行分组，或者按数值大小重新分为几个类别，如需要将班级学生的成绩按<60,60-75,75-90,>90分为不及格，中，良，优四个等级，就可以利用python中的pandas工具，即pd.cut进行处理。

我们先通过一个实例来简单看看。abc这列数据的数值在 [ 0.01, 0.990 ] 区间内，按数值大小分为5个类别，分类之后的标签用'a', 'd', 'c', 'd', 'e'表示。

import pandas as pd     # 导入需要用到的包pandas

# 读取csv数据
df = pd.read_csv(r'F:\python\temp.csv')

# 读取需要进行分组的某列
df1 = df['abc']
df2 = df['sdf']
df3 = df['dgd']
df4 = df['mjh']
df5 = df['bq']

bins = [0,0.2,0.4,0.6,0.8,1]   # bins是进行分组的依据,取整数，标量序列或者间隔索引
labels=['a','b','c','d','e']   # 分组对应的标签,比bins少一个

# 使用pandas中的cut进行数值分组
df1 = pd.cut(df1,bins=bins,labels=labels)

# 分组之后类别dtype变为'category'，如果需要写入csv中需要变为'str'字符串类型
df1 = pd.DataFrame(df1, dtype='str')

# 将分组之后的新标签写入数据中，利用pd.concat进行拼接合并，axis=1表示左右拼接
df = pd.concat([df1, df2,df3,df4,df5],axis=1)

# 写入csv文件
df.to_csv(r'F:\temp.csv',index= False, header= False)

下面是关于函数的具体介绍。

pandas.cut(x, bins, right=True, labels=None, 
           retbins=False, precision=3, include_lowest=False,
           duplicates='raise', ordered=True)

• x：输入数组。必须是一维的。

• bins：分组的依据。可以是整数(int)，标量序列或间隔索引。

① 整数，表示将x中的数值分成等宽的n份（即每一组内的最大值与最小值之差约相等）;

② 标量序列，序列中的数值表示用来分档的分界值;

③ 间隔索引，' bins' 的间隔索引必须不重叠。

• right：分箱是否包含最右边。bool布尔值，默认为True。

① right = True， bins = [1, 2, 3, 4]表示 (1,2], (2,3], (3,4]，区间为左开右闭。

② 当 bins 是间隔索引时，忽略此参数。

• labels：指定返回的箱的标签。数组或 False，默认值为“None”。

① 如果是数组，长度要与分箱个数一致，比如 bins =[1, 2, 3, 4] 表示 (1,2], (2,3], (3,4]，一共3个区间，则labels的长度也就是标签的个数也要是3。

② 如果为False，则仅返回分箱的整数指示符，即 x 中的数据在第几个箱子里。

③ 当bins是间隔索引时，将忽略此参数。

• retbins：是否显示分箱的分界值。bool布尔值，默认值为 False。

当bins取整数时可以设置retbins=True以显示分界值，得到划分后的区间。

• precision：存储和显示分箱标签的精度。整数，默认值为3。

• include_lowest：表示区间的左边是开还是闭。布尔值，默认为false，也就是不包含区间左边。

• duplicates：如果分箱临界值不唯一，则引发ValueError或丢弃非唯一。

• ordered：标签是否排序。bool布尔值，默认值为True。

适用于返回的类型分类和系列（具有分类 dtype）。如果为True， 生成的分类将被排序。如果为 False，则结果为分类将是无序的（必须提供标签）。

返回 return

• 输出output：一个类似数组的对象，表示每个值的相应箱的 x。类型取决于labels的值。Categorical, Series, 或ndarray。

① None （默认值）：返回系列 x 的系列或所有其他输入的分类。以间隔类型的值存储。

② 标量序列：返回序列 x 或 所有其他输入的分类。以序列中的任何类型的值存储。

③ False ： 返回整数数组。

• bins：计算或指定的箱。numpy.ndarray 或 IntervalIndex。

仅当 retbins=True 时才返回。 对于标量或序列bins，这是一个具有计算bins。如果设置duplicates=drop，则bins将删除非唯一bins。如果是一个间隔索引 bins，则等于bins。

笔记

结果中的任何 NA 值都将为 NA。越界值将在 NA 中 生成的系列或分类对象。

参考网页：

怎样用python pandas对数值型字段进行分组？

pandas.cut

数据分箱之pd.cut()