資料分箱之pd.cut()

相信很多進行資料處理工作的小夥伴都遇到過這種需求，比如已經有了各個銷售員的銷售業績，現在需要給各個銷售業績進行一個分檔，諸如未完成任務，完成任務，超額完成任務等。要完成分檔需要先對銷售業績的數值進行判斷，然後再根據判斷的結果進行一個分類，那麼大家都是怎樣進行分類的呢？

實際上，上述需求是要對連續型的數值進行分箱操作，實現的方法有N種，但是效率有高有低，這裡我們介紹一種效率比較高而且也容易理解的方法，運用DataFrame種的一個函式，叫做pd。cut（）實現分箱操作。

pd.cut()引數介紹

先來看一下這個函式都包含有哪些引數，主要引數的含義與作用都是什麼？

pd。cut（ x， bins， right=True， labels=None， retbins=False， precision=3， include_lowest=False， duplicates=‘raise’， ）

x ： 一維陣列（對應前邊例子中提到的銷售業績）

bins ：整數，標量序列或者間隔索引，是進行分組的依據，

如果填入整數n，則表示將x中的數值分成等寬的n份（即每一組內的最大值與最小值之差約相等）；

如果是標量序列，序列中的數值表示用來分檔的分界值

如果是間隔索引，“ bins”的間隔索引必須不重疊

right ：布林值，預設為True表示包含最右側的數值

當“ right = True”（預設值）時，則“ bins”=［1、2、3、4］表示（1，2］，（2，3］，（3，4］

當

bins

是一個間隔索引時，該引數被忽略。

labels ： 陣列或布林值，可選。指定分箱的標籤

如果是陣列，長度要與分箱個數一致，比如“ bins”=［1、2、3、4］表示（1，2］，（2，3］，（3，4］一共3個區間，則labels的長度也就是標籤的個數也要是3

如果為False，則僅返回分箱的整數指示符，即x中的資料在第幾個箱子裡

當bins是間隔索引時，將忽略此引數

retbins： 是否顯示分箱的分界值。預設為False，當bins取整數時可以設定retbins=True以顯示分界值，得到劃分後的區間

precision：整數，預設3，儲存和顯示分箱標籤的精度。

include_lowest：布林值，表示區間的左邊是開還是閉，預設為false，也就是不包含區間左邊。

duplicates：如果分箱臨界值不唯一，則引發ValueError或丟棄非唯一

ok，所有引數的含義與作用就是這些了，純文字解釋怎麼都不如程式碼跑一遍來的直觀，我們在程式碼中實現一下再結合上述文字解釋就很容易理解了。而且並不是所有引數都是常用的，有些引數很少用到！

pd.cut()程式碼示例

先來看一下資料來源

df_f = pd。read_excel（r“D：\data\football\球隊排名比分2019。xlsx”）

df_f

讀入的資料是2019年英超各球隊的積分：

進行分箱

bins取整數，即指定箱子個數

我們對積分資料進行分箱，先來最簡單的：

pd。cut（df_f。積分，bins=3，labels=［“低”，“中”，“高”］） #分成3箱並指定標籤

分箱結果：

0 高

1 高

2 中

3 中

4 中

5 中

6 中

7 中

8 低

9 低

10 低

11 低

12 低

13 低

14 低

15 低

16 低

17 低

18 低

19 低

Name： 積分， dtype： category

Categories （3， object）： ［低 < 中 < 高］

直接指定箱子個數，分成等寬的3份，感興趣的同學可以求一下每個箱子內的極值，應該是約相等的。

前邊有提到，這種分箱方式看不到分界值是多少，但是可以透過引數進行設定顯示分界值：

pd。cut（df_f。積分，3，labels=［“低”，“中”，“高”］，retbins=True） #retbins=True顯示分界值

分箱結果：

（0 高

1 高

2 中

3 中

4 中

5 中

6 中

7 中

8 低

9 低

10 低

11 低

12 低

13 低

14 低

15 低

16 低

17 低

18 低

19 低

Name： 積分， dtype： category

Categories （3， object）： ［低 < 中 < 高］，

array（［13。953 ， 29。66666667， 45。33333333， 61。 ］））

是不是能明顯的看出和上一次程式碼結果相比多了一個 array（［13。953 ， 29。66666667， 45。33333333， 61。 ］），這就是分箱的分界值啦，我們就能知道分箱的時候是以那個數值作為分界點進行分箱的了。

如果不指定每個箱子的標籤是什麼

pd。cut（df_f。積分，3，labels=False） #只顯示資料位於第幾個箱子裡

分享結果：

0 2

1 2

2 1

3 1

4 1

5 1

6 1

7 1

8 0

9 0

10 0

11 0

12 0

13 0

14 0

15 0

16 0

17 0

18 0

19 0

Name： 積分， dtype： int64

只顯示每個位置上的數值屬於第幾個箱子

bins取標量序列

pd。cut（df_f。積分，［0，30，40，70］，labels=［“低”，“中”，“高”］） #預設right = True

指定分箱時候的分界點，即0~30，30~40，40~70一共三個箱體，有預設的right = True，即分箱的時候，30包含在0~30的箱體中，40包含在30~40的箱體中，70包含在40~70的箱體中，我們來看下結果，是不是和描述一致：

這裡紅框部分是要和下邊更改引數right後的結果進行對比的，我們來看下：

pd。cut（df_f。積分，［0，30，40，70］，labels=［“低”，“中”，“高”］，right=False）

分箱結果：

能夠看到，right引數設定對分箱結果的影響。為什麼會有這樣的影響呢？我們回顧下我們的原資料：

能夠發現分享發生變化的數值正好是我們分箱的臨界值，可以透過引數進行設定臨界值被劃分到哪一邊的箱體中。

如果需要將分箱的結果展示在原資料框中，直接賦值一列進去就可以了：

df_f。loc［：，“積分等級”］=pd。cut（df_f。積分，［0，30，40，70］，labels=［“低”，“中”，“高”］，right=False）

df_f

結果如下：

對於pd。cut（）函式常用的引數設定就是這些了，小夥伴們還有哪些疑問或者新發現歡迎一起討論啊！