pandas 中的 pd.cut - Python

在 Pandas 中，pd.cut 函数是一个非常有用的函数，可以将连续型数据进行离散化处理。在数值分析、数据挖掘等领域，离散化是一个非常重要的处理方法。使用 pd.cut 函数可以将数值型数据切分成为区间，方便我们进行统计分析。

函数定义

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

参数说明

• x ：需要被离散化的一维数组。
• bins ：离散化的依据，可以传入整数表示将样本分成几个等距的区间，也可以传入一维数组表示划分的区间边界；为了更灵活的处理数据，我们可以使用 pandas 提供的 interval_range 函数来指定划分区间。
• right ：指定区间的开闭类型，默认为右闭左开。
• labels ：指定离散后的值的标签，可以传入一维数组或者列表。
• retbins ：是否返回分组边界值，默认为 False。
• precision ：制定分组边界的精度。
• include_lowest ：是否包含左区间的边界，默认为 False。
• duplicates ：指定是否处理重复的边界值。

返回值说明

返回的是经过离散化后的结果，结果为一维的 Categorical 转换后的对象。

示例代码

首先我们需要导入 pandas，并生成一个随机的数列：

import pandas as pd
import numpy as np

np.random.seed(10)
data = np.random.randn(10)

我们使用 pd.cut 函数将数据划分成 3 个区间：

cuts = pd.cut(data, 3)
print(cuts)

输出为：

[(-0.989, 0.236], (-2.223, -0.989], (-2.223, -0.989], (-0.989, 0.236], (-0.989, 0.236], (0.236, 1.462], (-0.989, 0.236], (0.236, 1.462], (-2.223, -0.989], (0.236, 1.462]]
Categories (3, interval[float64]): [(-2.223, -0.989] < (-0.989, 0.236] < (0.236, 1.462]]

我们可以看到，使用 pd.cut 函数将数据离散化成了 3 个区间，分别为 (-2.223, -0.989]，(-0.989, 0.236] 和 (0.236, 1.462]。

我们也可以使用 labels 参数指定离散化后的值的标签，例如：

cuts = pd.cut(data, 3, labels=['low', 'middle', 'high'])
print(cuts)

输出为：

[middle, low, low, middle, middle, high, middle, high, low, high]
Categories (3, object): [low < middle < high]

我们使用 retbins 参数可以返回每个区间的边界：

cuts, bins = pd.cut(data, 3, retbins=True)
print(cuts)
print(bins)

输出为：

[(-0.989, 0.236], (-2.223, -0.989], (-2.223, -0.989], (-0.989, 0.236], (-0.989, 0.236], (0.236, 1.462], (-0.989, 0.236], (0.236, 1.462], (-2.223, -0.989], (0.236, 1.462]]
Categories (3, interval[float64]): [(-2.223, -0.989] < (-0.989, 0.236] < (0.236, 1.462]]
[-2.22317584 -0.9894255   0.24432485  1.47807518]

可以看到，使用 retbins=True 参数时，返回的第二个参数为每个区间的边界值。