Pandas Cut–从连续到分类

下面我就来详细讲解一下Pandas Cut的使用。

什么是Pandas Cut

Pandas Cut是一种将连续数据转换为分类数据的函数。它可将连续的数值数据分段，每一段转化为一个离散的分类，同时可以对这些离散的分类进行标记和排序。

Cut函数的语法

Pandas Cut函数的语法如下：

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

其中，各个参数的含义如下：

• x：要分段的数据，必须为一维的数组或Series对象；
• bins：指定分段的方式，可以是根据数据的数量分段，也可以是根据数据的范围分段；
• right：bool型参数，默认是True，表示区间是否包含右端点；
• labels：指定每个分段的标签名称；
• retbins：bool型参数，默认是False，表示是否返回每个分段的阈值；
• precision：int型参数，表示指定分段时的精度；
• include_lowest：bool型参数，默认是False，表示是否包含最小值；
• duplicates：处理重复值的方式，可以是raise、drop、ignore。

Cut函数的使用实例

下面，我就通过一个实例来演示Cut函数的使用。

假设我们现在有一个存储分数的DataFrame数据，如下所示：

import pandas as pd
import numpy as np

df = pd.DataFrame({"score": [51, 71, 78, 85, 90, 95, 98]})
print(df)

运行结果如下：

   score
0     51
1     71
2     78
3     85
4     90
5     95
6     98

我们希望将这些分数按照一定的规则划分到若干个分段中，可以使用Pandas Cut进行处理。根据我们自己的需要，可以针对不同的数据集使用不同的分段规则。下面是三种不同的分段方式：

分段方式1：根据分数的范围划分

bins = [0, 60, 70, 80, 90, 100]
df['categories1'] = pd.cut(df['score'], bins)

print(df)

运行结果如下：

   score categories1
0     51    (0, 60]
1     71   (70, 80]
2     78   (70, 80]
3     85   (80, 90]
4     90  (90, 100]
5     95  (90, 100]
6     98  (90, 100]

可以看到，我们按照分数的范围为[0, 60)，[60, 70)，[70, 80)，[80, 90)，[90, 100]，分成了5个离散的分类。

分段方式2：根据平均数和标准差划分

mean = df['score'].mean()
std = df['score'].std()

bins = [-np.inf, mean - std, mean, mean + std, np.inf]
labels = ['low', 'avg-', 'avg+', 'high']
df['categories2'] = pd.cut(df['score'], bins, labels=labels)

print(df)

运行结果如下：

   score categories1 categories2
0     51    (0, 60]         low
1     71   (70, 80]       avg-
2     78   (70, 80]       avg+
3     85   (80, 90]       high
4     90  (90, 100]       high
5     95  (90, 100]       high
6     98  (90, 100]       high

可以看到，我们针对这些分数，根据平均数和标准差，分成了四个离散的分类，并对这些分类进行了标记。

分段方式3：根据数据的数量划分

bins = 3
df['categories3'] = pd.cut(df['score'], bins)

print(df)

运行结果如下：

   score categories1 categories2    categories3
0     51    (0, 60]         low  (50.975, 69.0]
1     71   (70, 80]       avg-    (69.0, 87.0]
2     78   (70, 80]       avg+    (69.0, 87.0]
3     85   (80, 90]       high    (69.0, 87.0]
4     90  (90, 100]       high   (87.0, 100.0]
5     95  (90, 100]       high   (87.0, 100.0]
6     98  (90, 100]       high   (87.0, 100.0]

可以看到，我们针对这些分数，根据数据的数量，分成了三个离散的分类。

小结

Pandas Cut函数是一种将连续数据转换为分类数据的函数，并且可以根据需求实现不同的分段规则。除了本文介绍的三种方式，还可以根据自己的需求进行划分，灵活运用Cut函数能够帮助我们更好地理解和分析数据。