浅谈pandas.cut与pandas.qcut的使用方法及区别

pandas.cut

pandas.cut是用于对一列数据进行分段操作的函数。其语法形式为：

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

参数说明：

• x：需要分段的数据
• bins：可以是一个int型数据（代表分为几段），也可以是一个列表，代表每一段的范围
• right：是否包含右端点，默认为True，即包含
• labels：分段后各个段的标签
• retbins：是否返回每一段分隔点的具体位置
• precision：保留几位小数
• include_lowest：是否包含最小值，若设置为True，则第一段左端点为数据的最小值，否则为最小值+epsilon
• duplicates：处理范围重复的数据的方法。raise：直接抛出异常（默认）；drop：去除；cut：将重复的位置分配到不同的区间中。

示例：

import pandas as pd

# 构造数据
data = pd.Series([23, 24, 25, 25, 26, 27, 29, 30, 32, 35, 38])

# 将数据分为3段
cut_data = pd.cut(data, bins=3)
print(cut_data)

# 指定labels以及不包含右端点
cut_data = pd.cut(data, bins=3, right=False, labels=['A', 'B', 'C'])
print(cut_data)

# 返回每一段的分隔点位置
cut_data, bins = pd.cut(data, bins=3, right=False, labels=['A', 'B', 'C'], retbins=True)
print(cut_data)
print(bins)

输出：

0      (22.977, 27.667]
1      (22.977, 27.667]
2      (22.977, 27.667]
3      (22.977, 27.667]
4      (22.977, 27.667]
5      (22.977, 27.667]
6      (27.667, 32.333]
7      (27.667, 32.333]
8      (27.667, 32.333]
9      (27.667, 32.333]
10    (32.333, 37.0033]
dtype: category
Categories (3, interval[float64]): [(22.977, 27.667] < (27.667, 32.333] < (32.333, 37.0033]]
0    A
1    A
2    A
3    A
4    A
5    A
6    B
7    B
8    B
9    B
10   C
dtype: category
Categories (3, object): ['A' < 'B' < 'C']
0    A
1    A
2    A
3    A
4    B
5    B
6    B
7    B
8    C
9    C
10   C
dtype: category
Categories (3, object): ['A' < 'B' < 'C']
[23.         26.33333333 29.66666667 35.        ]

pandas.qcut

pandas.qcut是用于将数据均分为n段的函数，每一段的样本数量大致相同。其语法形式为：

pandas.qcut(x, q, labels=None, retbins=False, precision=3, duplicates='raise')

参数说明：

• x：需要分段的数据
• q：一个整数时，为分成几段。为列表时，分段的分位数位置。
• labels：分段后的标签
• retbins：是否返回每一段分隔点的具体位置
• duplicates：处理范围重复的数据的方法。raise：直接抛出异常（默认）；drop：去除；cut：将重复的位置分配到不同的区间中。

示例：

import pandas as pd

# 构造数据
data = pd.Series([23, 24, 25, 25, 26, 27, 29, 30, 32, 35, 38])

# 将数据分为3段
qcut_data = pd.qcut(data, 3)
print(qcut_data)

# 指定labels
qcut_data = pd.qcut(data, 3, labels=['A', 'B', 'C'])
print(qcut_data)

# 返回每一段的分隔点位置
qcut_data, bins = pd.qcut(data, 3, labels=['A', 'B', 'C'], retbins=True)
print(qcut_data)
print(bins)

输出：

0     (22.999, 26.0]
1     (22.999, 26.0]
2     (22.999, 26.0]
3     (22.999, 26.0]
4     (22.999, 26.0]
5     (26.0, 30.333]
6     (26.0, 30.333]
7     (26.0, 30.333]
8     (30.333, 38.0]
9     (30.333, 38.0]
10    (30.333, 38.0]
dtype: category
Categories (3, interval[float64]): [(22.999, 26.0] < (26.0, 30.333] < (30.333, 38.0]]
0    A
1    A
2    A
3    A
4    A
5    B
6    B
7    B
8    C
9    C
10   C
dtype: category
Categories (3, object): ['A' < 'B' < 'C']
0     A
1     A
2     A
3     A
4     A
5     B
6     B
7     B
8     C
9     C
10    C
dtype: category
Categories (3, object): ['A' < 'B' < 'C']
[23, 26], (26, 30.333], (30.333, 38]]
Categories (3, object): ['A' < 'B' < 'C']]
[22.999, 26.0, 30.333, 38.0]

区别

• pandas.cut的分段是固定的，即指定分几段或每一段的范围；
• pandas.qcut是按照样本数量来分段的，每一段的样本数量大致相同，在这个意义上说，方式更偏向于“自然分段”。

两者使用的选择依据实际数据而定。