【Kaggle】pandas数据分箱之pd.cut()

发布网友 发布时间：2024-09-30 15:33

我来回答

共1个回答

热心网友 时间：2024-11-22 06:58

在进行数据处理工作时，我们常常会遇到需要对连续型数值进行分档的需求。例如，对销售员的销售业绩进行分档，如未完成任务、完成任务、超额完成任务等。为了实现这一目标，我们需要首先对销售业绩的数值进行判断，然后根据判断结果进行分类。实际上，这需要对连续型数值进行分箱操作。实现分箱的方法有很多种，但效率各有高低。在这里，我们介绍一种效率较高且易于理解的方法，即使用DataFrame中的pd.cut()函数进行分箱操作。

pd.cut()函数的参数介绍

首先，让我们来看一下pd.cut()函数包含哪些参数，以及每个参数的含义和作用。

x：一维数组，对应前文提到的销售业绩。

bins：整数、标量序列或间隔索引，是进行分组的依据。

right：布尔值，默认为True，表示包含最右侧的数值。

labels：数组或布尔值，可选。指定分箱的标签。

retbins：是否显示分箱的分界值。默认为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：整数，默认3，存储和显示分箱标签的精度。

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

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

pd.cut()代码示例

以下是一个pd.cut()函数的代码示例：

先来看一下数据源df_f = pd.read_excel(r"D:\data\football\球队排名比分2019.xlsx")，df_f读入的数据是2019年英超各球队的积分：

进行分箱，bins取整数，即指定箱子个数。

分箱结果：直接指定箱子个数，分成等宽的3份，感兴趣的同学可以求一下每个箱子内的极值，应该是约相等的。

前文提到，这种分箱方式看不到分界值是多少，但是可以通过参数进行设置显示分界值：

分箱结果：与上一次代码结果相比，多了一个array([13.953, 29.66666667, 45.33333333, 61.])，这就是分箱的分界值，我们就能知道分箱的时候是以那个数值作为分界点进行分箱的了。

如果不指定每个箱子的标签是什么：

分享结果：只显示每个位置上的数值属于第几个箱子。

bins取标量序列：指定分箱时候的分界点，即0~30，30~40，40~70一共三个箱体，有默认的right=True，即分箱的时候，30包含在0~30的箱体中，40包含在30~40的箱体中，70包含在40~70的箱体中，我们来看下结果，是不是和描述一致：

这里红框部分是要和下文更改参数right后的结果进行对比的，我们来看下：

分箱结果：能够看到，right参数设置对分箱结果的影响。为什么会有这样的影响呢？我们回顾下我们的原数据：

能够发现分界发生变化的数值正好是我们分箱的临界值，可以通过参数进行设置临界值被划分到哪一边的箱体中。

如果需要将分箱的结果展示在原数据框中，直接赋值一列进去就可以了：

结果如下：