pandas-cut 函数

前言

---

        数值数据在数据分析中很常见。 通常，您拥有连续的、非常大的比例或高度偏斜的数值数据。有时，将这些数据分成离散的区间会更容易。 当值被划分为有意义的类别时，这有助于执行描述性统计。例如，我们可以将确切的年龄划分为幼儿、儿童、成人和老年人。
        Pandas 内置的 cut() 函数是将数值数据转换为分类数据的好方法。

参数及解释

---

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

x :                          是我们要传入和切分的一维数组，可以是列表，也可以是dataFrame的一列
bins :                     代表切片的方式，可以自定义传入列表[a,b,c],表示按照a-b,b-c的区间来切分，也可以是数值n，直接指定分为n组
right :                    True/False,为True时，表示分组区间是包含右边，不包含左边，即(]； False，代表[)
labels :                   标签参数，比如[低、中、高]
retbins :                 True/False, True返回bin的具体范围值，当bins是单个数值时很有用。(因为bin是数字的话，  划分组具体数值我们是不知道的)
precision :              存储和显示 bin 标签的精度。默认为3
include_lowest :    True/False, 第一个区间是否应该是左包含的
duplicates :            raise/drop, 如果bin列表里有重复，报错/直接删除至保留一个
ordered :                标签是否有序。 适用于返回的类型 Categorical 和 Series（使用 Categorical dtype）。 如果为 True，则将对生成的分类进行排序。 如果为 False，则生成的分类将是无序的（必须提供标签）

各参数：

---

bin=number

import pandas as pd
df = pd.DataFrame({'age': [2, 67, 40, 32, 4, 15, 82, 99, 26, 30]})
df['age_group'] = pd.cut(df['age'], 3)

这些区间值的开头有一个圆括号，结尾有一个方括号，例如 (1.903, 34.333]。
这基本上意味着圆括号一侧的任何值都不包含在区间中，而包括方括号的一侧（在数学中称为开闭区间）

df['age_group']

0     (1.903, 34.333]
1      (66.667, 99.0]
2    (34.333, 66.667]
3     (1.903, 34.333]
4     (1.903, 34.333]
5     (1.903, 34.333]
6      (66.667, 99.0]
7      (66.667, 99.0]
8     (1.903, 34.333]
9     (1.903, 34.333]
Name: age_group, dtype: category
Categories (3, interval[float64, right]): [(1.903, 34.333] < (34.333, 66.667] < (66.667, 99.0]]

 显示类型为：category, 3个标签名(1.903, 34.333] 、 (34.333, 66.667] 、 (66.667, 99.0], 这些符号通过"<"来连接,计算方式如下：

interval = (max_value — min_value) / num_of_bins
         = (99 - 2) / 3
         = 32.33333        
        (<--32.3333-->] < (<--32.3333-->] < (<--32.3333-->]        
        (1.903, 34.333] < (34.333, 66.667] < (66.667, 99.0]

#这里再解释下开区间数值是怎么来的。我们先看下左闭右开，即right=False
 

pd.cut(df['age'], 3, right=False)


0       [2.0, 34.333)
1    [66.667, 99.097)
2    [34.333, 66.667)
3       [2.0, 34.333)
4       [2.0, 34.333)
5       [2.0, 34.333)
6    [66.667, 99.097)
7    [66.667, 99.097)
8       [2.0, 34.333)
9       [2.0, 34.333)
Name: age, dtype: category
Categories (3, interval[float64, left]): [[2.0, 34.333) < [34.333, 66.667) < [66.667, 99.097)]

闭区间所在("[]")，即最小值和最大值。但是开区间是有差异的。
计算方式源代码：${pkg}/pandas/core/reshape/tile.py 第266行

adj = (mx - mn) * 0.001  # 0.1% of the range
if right:                   #左开右闭
    bins[0] -= adj          #2-（99-2）*0.001 = 1.903
else:                       #左闭右开
    bins[-1] += adj         #99 + （99-2）*0.001 = 99.097

你...学废了吗？

bin传入指定的列表

df['age_group'] = pd.cut(df['age'], bins=[0, 12, 19, 61, 100])
df['age_group']


0      (0, 12]
1    (61, 100]
2     (19, 61]
3     (19, 61]
4      (0, 12]
5     (12, 19]
6    (61, 100]
7    (61, 100]
8     (19, 61]
9     (19, 61]
Name: age_group, dtype: category
Categories (4, interval[int64, right]): [(0, 12] < (12, 19] < (19, 61] < (61, 100]]

此时的左开右闭区间为：(0, 12] < (12, 19] < (19, 61] < (61, 100]

#sort_values
df.sort_values('age_group')

#对每个Categories进行计数
df['age_group'].value_counts().sort_index()

(0, 12]      2
(12, 19]     1
(19, 61]     4
(61, 100]    3
Name: age_group, dtype: int64

添加label

bins=[0, 12, 19, 61, 100]
labels=['<12', 'Teen', 'Adult', 'Older']

df = pd.DataFrame({'age': [2, 67, 40, 32, 4, 15, 82, 99, 26, 30]})
df['age_group'] = pd.cut(df['age'], bins, labels=labels)
#这时候age_group不再是显示一个区间了，而是具体的标签了
#sort
#df['age_group'].value_counts().sort_index()

 include_lowest

假设将上述年龄值划分为 2-12、12-19、19-60、61-100。
将bin设置为 [2, 12, 19, 61, 100] 时，第一个数字将不包含在内，将得到包含 NaN 的结果。

df['age_group'] = pd.cut(df['age'], bins=[2, 12, 19, 61, 100],\
                            include_lowest=True)

 当然，我们也可以为bin传入IntervalIndex

bins = pd.IntervalIndex.from_tuples([(0, 12), (19, 61), (61, 100)])
bins

输出:
IntervalIndex([(0, 12], (19, 61], (61, 100]], dtype='interval[int64, right]')

df['age_group'] = pd.cut(df['age'], bins)
df
#从而可以将我们不需要的部分删除掉，或者做其他处理

返回bins
使用retbins=True将生成的bins返回

result, bins = pd.cut(
    df['age'], 
    bins=4,            # A single number value
    retbins=True
)