pandas之cut(),qcut()

功能:將數據進行離散化

可參見博客：https://blog.csdn.net/missyougoon/article/details/83986511 , 例子簡易好懂

 

1、pd.cut函數有7個參數，主要用於對數據從最大值到最小值進行等距划分

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

參數：

x : 輸入待cut的一維數組

bins : cut的段數，一般為整型，但也可以為序列向量(若不在該序列中，則是NaN)。

right : 布爾值，確定右區間是否開閉，取True時右區間閉合

labels : 數組或布爾值，默認為None，用來標識分后的bins，長度必須與結果bins相等，返回值為整數或者對bins的標識

retbins : 布爾值，可選。是否返回數值所在分組，Ture則返回

precision : 整型，bins小數精度，也就是數據以幾位小數顯示

include_lowest : 布爾類型，是否包含左區間

cut將根據值本身來選擇箱子均勻間隔，即每個箱子的間距都是相同的。

>>> factors = np.random.randn(9)
[ 2.12046097  0.24486218  1.64494175 -0.27307614 -2.11238291 2.15422205 -0.46832859  0.16444572  1.52536248]

 傳入bins參數

>>> pd.cut(factors, 3) #返回每個數對應的分組
[(0.732, 2.154], (-0.69, 0.732], (0.732, 2.154], (-0.69, 0.732], (-2.117, -0.69], (0.732, 2.154], (-0.69, 0.732], (-0.69, 0.732], (0.732, 2.154]]
Categories (3, interval[float64]): [(-2.117, -0.69] < (-0.69, 0.732] < (0.732, 2.154]]

>>> pd.cut(factors, bins=[-3,-2,-1,0,1,2,3])
[(2, 3], (0, 1], (1, 2], (-1, 0], (-3, -2], (2, 3], (-1, 0], (0, 1], (1, 2]]
Categories (6, interval[int64]): [(-3, -2] < (-2, -1] < (-1, 0] < (0, 1] (1, 2] < (2, 3]]

>>> pd.cut(factors, 3).value_counts() #計算每個分組中含有的數的數量
Categories (3, interval[float64]): [(-2.117, -0.69] < (-0.69, 0.732] < (0.732, 2.154]]
(-2.117, -0.69]    1
(-0.69, 0.732]     4
(0.732, 2.154]     4

傳入lable參數

>>> pd.cut(factors, 3,labels=["a","b","c"]) #返回每個數對應的分組，但分組名稱由label指示
[c, b, c, b, a, c, b, b, c]
Categories (3, object): [a < b < c]

>>> pd.cut(factors, 3,labels=False) #返回每個數對應的分組，但僅顯示分組下標
[2 1 2 1 0 2 1 1 2]

傳入retbins參數

>>> pd.cut(factors, 3,retbins=True)# 返回每個數對應的分組，且額外返回bins，即每個邊界值
([(0.732, 2.154], (-0.69, 0.732], (0.732, 2.154], (-0.69, 0.732], (-2.117, -0.69], (0.732, 2.154], (-0.69, 0.732], (-0.69, 0.732], (0.732, 2.154]]
Categories (3, interval[float64]): [(-2.117, -0.69] < (-0.69, 0.732] < (0.732, 2.154]], array([-2.11664951, -0.69018126,  0.7320204 ,  2.15422205]))

 

2、pd.qcut函數，按照數據出現頻率百分比划分，比如要把數據分為四份，則四段分別是數據的0-25%，25%-50%，50%-75%，75%-100%，每個間隔段里的元素個數都是相同的。

pd.qcut(x, q, labels=None, retbins=False, precision=3, duplicates='raise')  #最后一個參數 duplicates='drop'表示若有重復區間則刪除

qcut是根據這些值的頻率來選擇箱子的均勻間隔，即每個箱子中含有的數的數量是相同的。

傳入q參數

>>> pd.qcut(factors, 3) #返回每個數對應的分組
[(1.525, 2.154], (-0.158, 1.525], (1.525, 2.154], (-2.113, -0.158], (-2.113, -0.158], (1.525, 2.154], (-2.113, -0.158], (-0.158, 1.525], (-0.158, 1.525]]
Categories (3, interval[float64]): [(-2.113, -0.158] < (-0.158, 1.525] < (1.525, 2.154]]

>>> pd.qcut(factors, 3).value_counts() #計算每個分組中含有的數的數量
(-2.113, -0.158]    3
(-0.158, 1.525]     3
(1.525, 2.154]      3

傳入lable參數

>>> pd.qcut(factors, 3,labels=["a","b","c"]) #返回每個數對應的分組，但分組名稱由label指示
[c, b, c, a, a, c, a, b, b]
Categories (3, object): [a < b < c]

>>> pd.qcut(factors, 3,labels=False) #返回每個數對應的分組，但僅顯示分組下標
[2 1 2 0 0 2 0 1 1]

傳入retbins參數

>>> pd.qcut(factors, 3,retbins=True)# 返回每個數對應的分組，且額外返回bins，即每個邊界值
[(1.525, 2.154], (-0.158, 1.525], (1.525, 2.154], (-2.113, -0.158], (-2.113, -0.158], (1.525, 2.154], (-2.113, -0.158], (-0.158, 1.525], (-0.158, 1.525]]
Categories (3, interval[float64]): [(-2.113, -0.158] < (-0.158, 1.525] < (1.525, 2.154],array([-2.113,  -0.158 ,  1.525,  2.154]))

 

另一個例子：

import numpy as np
from numpy import *
import pandas as pd
df = pd.DataFrame()
df['data'] = [1,2,2,2,2,6,7,8,9,0]#這里注意箱邊界值需要唯一，不然qcut時程序會報錯
df['cut']=pd.cut(df['data'],5)
df['qcut']=pd.qcut(df['data'],5)
df.head(10)

運行結果如圖：

可以看到cut列各個分段之間間距相等，qcut由於數據中‘2’較多，所以2附近間距較小，2之后的分段間距較大。