Python pandas.qcut用法及代码示例

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

基于分位数的离散化函数。

根据排名或基于样本分位数将变量离散到equal-sized 桶中。例如，10 个分位数的 1000 个值将生成一个分类对象，指示每个数据点的分位数成员资格。

参数：

x：一维 ndarray 或系列
q：整数或浮点数的list-like: 分位数。 10 表示十分位数，4 表示四分位数等。交替排列的分位数，例如[0, .25, .5, .75, 1.] 四分位数。
labels：数组或假，默认无: 用作结果箱的标签。必须与生成的 bin 长度相同。如果为 False，则仅返回 bin 的整数指示符。如果为 True，则引发错误。
retbins：布尔型，可选: 是否返回(箱，标签)。如果 bins 作为标量给出，则可能很有用。
precision：整数，可选: 存储和显示 bin 标签的精度。
duplicates：{默认 ‘raise’, ‘drop’}，可选: 如果 bin 边不是唯一的，则引发 ValueError 或删除非唯一的。

out：如果标签为 False，则为分类或系列或整数数组

返回类型(分类或系列)取决于输入：如果输入是系列，则为类别类型的系列，否则为分类。当返回分类数据时，bin 表示为类别。

bins：浮点数数组

仅当 retbins 为 True 时返回。

注意：

在结果分类对象中，越界值将是 NA

例子：

>>> pd.qcut(range(5), 4)
... 
[(-0.001, 1.0], (-0.001, 1.0], (1.0, 2.0], (2.0, 3.0], (3.0, 4.0]]
Categories (4, interval[float64, right]):[(-0.001, 1.0] < (1.0, 2.0] ...

>>> pd.qcut(range(5), 3, labels=["good", "medium", "bad"])
... 
[good, good, medium, bad, bad]
Categories (3, object):[good < medium < bad]

>>> pd.qcut(range(5), 4, labels=False)
array([0, 0, 1, 2, 3])

相关用法

注：本文由纯净天空筛选整理自pandas.pydata.org大神的英文原创作品 pandas.qcut。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

注意：

例子：