Pandas 對數值進行分箱操作的4種方法總結對比

來源：DeepHub IMBA

我們創建以下合成數據用于演示

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()

數據包括 1000 名學生的 0 到 100 分的考試分數。而這次的任務是將數字分數分為值“A”、“B”和“C”的等級，其中“A”是最好的，“C”是最差的。

Pandas .between 方法返回一個包含 True 的布爾向量，用來對應的 Series 元素位于邊界值 left 和 right[1] 之間。
參數有下面三個：

• left：左邊界
• right：右邊界
• inclusive：要包括哪個邊界。可接受的值為 {“both”、“neither”、“left”、“right”}。

根據以下間隔規則將學生的分數分為等級：

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

其中方括號 [ 和圓括號 ) 分別表示邊界值是包含的和不包含的。我們需要確定哪個分數在感興趣的區間之間，并為其分配相應的等級值。注意看下面的不同的參數表示是否包含邊界

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'

以下是每個分數區間的人數：

df.grade.value_counts()

可以使用 cut將值分類為離散的間隔。此函數對于從連續變量到分類變量[2] 也很有用。
cut的參數如下：

• x：要分箱的數組。必須是一維的。
• bins：標量序列：定義允許非均勻寬度的 bin 邊緣。
• labels：指定返回的 bin 的標簽。必須與上面的 bins 參數長度相同。
• include_lowest: (bool) 第一個區間是否應該是左包含的。

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

這樣就創建一個包含 bin 邊界值的 bins 列表和一個包含相應 bin 標簽的標簽列表。

查看每個區段的人數

df.grade.value_counts()

qcut可以根據排名或基于樣本分位數將變量離散為大小相等的桶[3]。
在前面的示例中，我們為每個級別定義了分數間隔，這回使每個級別的學生數量不均勻。在下面的示例中，我們將嘗試將學生分類為 3 個具有相等（大約）數量的分數等級。示例中有 1000 名學生，因此每個分箱應該有大約 333 名學生。
qcut參數：
x：要分箱的輸入數組。必須是一維的。
q：分位數。10 表示十分位數，4 表示四分位數等。也可以是交替排列的分位數，例如[0, .25, .5, .75, 1.] 四分位數。
labels：指定 bin 的標簽。必須與生成的 bin 長度相同。
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 設置為 True 則會返回 bin 邊界。

print (cut_bin)>> [ 0. 36. 68. 100.]

分數間隔如下：

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

使用 .value_counts() 檢查每個等級有多少學生。理想情況下，每個箱應該有大約 333 名學生。

df.grade.value_counts()

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

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

默認情況下， .value_counts 按值的降序對返回的系列進行排序。將 sort 設置為 False 以按其索引的升序對系列進行排序。

series 索引是指每個 bin 的區間范圍，其中方括號 [ 和圓括號 ) 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 bin 中有多少條記錄。

與 .qcut 不同，每個 bin 中的記錄數不一定相同（大約）。.value_counts 不會將相同數量的記錄分配到相同的類別中，而是根據最高和最低分數將分數范圍分成 3 個相等的部分。分數的最小值為 0，最大值為 100，因此這 3 個部分中的每一個都大約在 33.33 范圍內。這也解釋了為什么 bin 的邊界是 33.33 的倍數。
我們還可以通過傳入邊界列表來定義 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 相同的結果。

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