使用pandas進行資料分箱

預生成随機資料

import pandas as pd # version 1.3.5
import numpy as np
def create_df():
    df = pd.DataFrame({'score': np.random.randint(0,101,1000)})
    return df
df =  create_df()
df.head()           

score
63
1	21
2	76
3
4

between & loc

Pandas .between 方法傳回一個包含 True 的布爾向量，用來對應的 Series 元素位于邊界值 left 和 right[1] 之間。

參數有下面三個：

left：左邊界

right：右邊界

inclusive：要包括哪個邊界。可接受的值為 {“both”、“neither”、“left”、“right”}。

根據以下間隔規則将學生的分數分為等級：

A: (80, 100]

B: (50, 80]

C: [0, 50]

其中方括号 [ 和圓括号 ) 分别表示邊界值是包含的和不包含的。我們需要确定哪個分數在感興趣的區間之間，并為其配置設定相應的等級值。注意看下面的不同的參數表示是否包含邊界

df.loc[df['score'].between(0, 50, 'both'), 'grade'] = 'C'
df.loc[df['score'].between(50, 80, 'right'), 'grade'] = 'B'
df.loc[df['score'].between(80, 100, 'right'), 'grade'] = 'A'
df           

score	grade
63	B
1	21	C
2	76	B
3	C
4	C
...	...	...
995	39	C
996	71	B
997	64	B
998	57	B
999	84	A

1000 rows × 2 columns

df.grade.value_counts()
C    490
B    313
A    197
Name: grade, dtype: int64           

cut

可以使用 cut将值分類為離散的間隔。此函數對于從連續變量到分類變量[2] 也很有用。

cut的參數如下：

x：要分箱的數組。必須是一維的。

bins：标量序列：定義允許非均勻寬度的 bin 邊緣。

labels：指定傳回的 bin 的标簽。必須與上面的 bins 參數長度相同。

include_lowest: (bool) 第一個區間是否應該是左包含的。

bins = [0, 50, 80, 100]
labels = ['C', 'B', 'A']
df['grade'] = pd.cut(x = df['score'], bins = bins, labels = labels, include_lowest = True)
df.grade.value_counts()
C    498
B    312
A    190
Name: grade, dtype: int64           

qcut

qcut可以根據排名或基于樣本分位數将變量離散為大小相等的桶[3]。

在前面的示例中，我們為每個級别定義了分數間隔，這回使每個級别的學生數量不均勻。在下面的示例中，我們将嘗試将學生分類為 3 個具有相等（大約）數量的分數等級。示例中有 1000 名學生，是以每個分箱應該有大約 333 名學生。

qcut參數：

x：要分箱的輸入數組。必須是一維的。

q：分位數。10 表示十分位數，4 表示四分位數等。也可以是交替排列的分位數，例如[0, .25, .5, .75, 1.] 四分位數。

labels：指定 bin 的标簽。必須與生成的 bin 長度相同。

retbins: (bool) 是否傳回 (bins, labels)。

df['grade'], cut_bin = pd.qcut(df['score'], q = 3, labels = ['C', 'B', 'A'], retbins = True)
df.head()           

score	grade
63	B
1	21	C
2	76	A
3	C
4	C

# 如果 retbins 設定為 True 則會傳回 bin 邊界。
print (cut_bin)
[  0.  32.  67. 100.]
df.grade.value_counts()
B    339
C    334
A    327
Name: grade, dtype: int64           

value_counts

df['score'].value_counts(bins = 3, sort = False)
(-0.101, 33.333]    346
(33.333, 66.667]    320
(66.667, 100.0]     334
Name: score, dtype: int64
df['score'].value_counts(bins = [0,50,80,100], sort = False)
(-0.001, 50.0]    498
(50.0, 80.0]      312
(80.0, 100.0]     190
Name: score, dtype: int64