Pandas 對(duì)數(shù)值進(jìn)行分箱操作的4種方法總結(jié)對(duì)比

來(lái)源：DeepHub IMBA

我們創(chuàng)建以下合成數(shù)據(jù)用于演示

import pandas as pd # version 1.3.5import numpy as npdef create_df():df = pd.DataFrame({'score': np.random.randint(0,101,1000)})return df
create_df()df.head()

數(shù)據(jù)包括 1000 名學(xué)生的 0 到 100 分的考試分?jǐn)?shù)。而這次的任務(wù)是將數(shù)字分?jǐn)?shù)分為值“A”、“B”和“C”的等級(jí)，其中“A”是最好的，“C”是最差的。

Pandas .between 方法返回一個(gè)包含 True 的布爾向量，用來(lái)對(duì)應(yīng)的 Series 元素位于邊界值 left 和 right[1] 之間。
參數(shù)有下面三個(gè)：

• left：左邊界
• right：右邊界
• inclusive：要包括哪個(gè)邊界。可接受的值為 {“both”、“neither”、“l(fā)eft”、“right”}。

根據(jù)以下間隔規(guī)則將學(xué)生的分?jǐn)?shù)分為等級(jí)：

• A: (80, 100]
• B: (50, 80]
• C: [0, 50]

其中方括號(hào) [ 和圓括號(hào) ) 分別表示邊界值是包含的和不包含的。我們需要確定哪個(gè)分?jǐn)?shù)在感興趣的區(qū)間之間，并為其分配相應(yīng)的等級(jí)值。注意看下面的不同的參數(shù)表示是否包含邊界

df.loc[df['score'].between(0, 50, 'both'), 'grade'] = 'C'df.loc[df['score'].between(50, 80, 'right'), 'grade'] = 'B'df.loc[df['score'].between(80, 100, 'right'), 'grade'] = 'A'

以下是每個(gè)分?jǐn)?shù)區(qū)間的人數(shù)：

df.grade.value_counts()

可以使用 cut將值分類(lèi)為離散的間隔。此函數(shù)對(duì)于從連續(xù)變量到分類(lèi)變量[2] 也很有用。
cut的參數(shù)如下：

• x：要分箱的數(shù)組。必須是一維的。
• bins：標(biāo)量序列：定義允許非均勻?qū)挾鹊?bin 邊緣。
• labels：指定返回的 bin 的標(biāo)簽。必須與上面的 bins 參數(shù)長(zhǎng)度相同。
• include_lowest: (bool) 第一個(gè)區(qū)間是否應(yīng)該是左包含的。

bins = [0, 50, 80, 100]labels = ['C', 'B', 'A']df['grade'] = pd.cut(x = df['score'], bins = bins, labels = labels, include_lowest = True)

這樣就創(chuàng)建一個(gè)包含 bin 邊界值的 bins 列表和一個(gè)包含相應(yīng) bin 標(biāo)簽的標(biāo)簽列表。

查看每個(gè)區(qū)段的人數(shù)

df.grade.value_counts()

qcut可以根據(jù)排名或基于樣本分位數(shù)將變量離散為大小相等的桶[3]。
在前面的示例中，我們?yōu)槊總€(gè)級(jí)別定義了分?jǐn)?shù)間隔，這回使每個(gè)級(jí)別的學(xué)生數(shù)量不均勻。在下面的示例中，我們將嘗試將學(xué)生分類(lèi)為 3 個(gè)具有相等（大約）數(shù)量的分?jǐn)?shù)等級(jí)。示例中有 1000 名學(xué)生，因此每個(gè)分箱應(yīng)該有大約 333 名學(xué)生。
qcut參數(shù)：
x：要分箱的輸入數(shù)組。必須是一維的。
q：分位數(shù)。10 表示十分位數(shù)，4 表示四分位數(shù)等。也可以是交替排列的分位數(shù)，例如[0, .25, .5, .75, 1.] 四分位數(shù)。
labels：指定 bin 的標(biāo)簽。必須與生成的 bin 長(zhǎng)度相同。
retbins: (bool) 是否返回 (bins, labels)。

df['grade'], cut_bin = pd.qcut(df['score'], q = 3, labels = ['C', 'B', 'A'], retbins = True)df.head()

如果 retbins 設(shè)置為 True 則會(huì)返回 bin 邊界。

print (cut_bin)>> [ 0. 36. 68. 100.]

分?jǐn)?shù)間隔如下：

• C：[0, 36]
• B：(36, 68]
• A：(68, 100]

使用 .value_counts() 檢查每個(gè)等級(jí)有多少學(xué)生。理想情況下，每個(gè)箱應(yīng)該有大約 333 名學(xué)生。

df.grade.value_counts()

雖然 pandas .value_counts 通常用于計(jì)算系列中唯一值的數(shù)量，但它也可用于使用 bins 參數(shù) [4] 將值分組到半開(kāi)箱中。

df['score'].value_counts(bins = 3, sort = False)

默認(rèn)情況下， .value_counts 按值的降序?qū)Ψ祷氐南盗羞M(jìn)行排序。將 sort 設(shè)置為 False 以按其索引的升序?qū)ο盗羞M(jìn)行排序。

series 索引是指每個(gè) bin 的區(qū)間范圍，其中方括號(hào) [ 和圓括號(hào) ) 分別表示邊界值是包含的和不包含的。返回series 的值表示每個(gè) bin 中有多少條記錄。

與 .qcut 不同，每個(gè) bin 中的記錄數(shù)不一定相同（大約）。.value_counts 不會(huì)將相同數(shù)量的記錄分配到相同的類(lèi)別中，而是根據(jù)最高和最低分?jǐn)?shù)將分?jǐn)?shù)范圍分成 3 個(gè)相等的部分。分?jǐn)?shù)的最小值為 0，最大值為 100，因此這 3 個(gè)部分中的每一個(gè)都大約在 33.33 范圍內(nèi)。這也解釋了為什么 bin 的邊界是 33.33 的倍數(shù)。
我們還可以通過(guò)傳入邊界列表來(lái)定義 bin 邊界。

df['score'].value_counts(bins = [0,50,80,100], sort = False)

這給了我們與示例 1 和 2 相同的結(jié)果。

在本文中，介紹了如何使用 .between、.cut、.qcut 和 .value_counts 對(duì)連續(xù)值進(jìn)行分箱。這里是本文的源代碼：https://colab.research.google.com/drive/1yWTl2OzOnxG0jCdmeIN8nV1MoX3KQQ_1?usp=sharing