Python Pandas cut方法用法及代码示例

例子

考虑以下有关学生及其成绩的DataFrame：

raw_grades = [3,6,8,7,4,6]
students = ["alex", "bob", "cathy", "doge", "eric", "fred"]
df = pd.DataFrame({"name":students,"raw_grade":raw_grades})
df



   name  raw_grade
0  alex     3
1  bob      6
2  cathy    8
3  doge     7
4  eric     4
5  fred     6

基本用法

将原始等级分为四个箱(段)：

df["grade"] = pd.cut(df["raw_grade"], bins=4)   # returns a Series
df



   name  raw_grade    grade
0  alex     3       (2.999, 4.5]
1  bob      6       (4.5, 6.0]
2  cathy    8       (6.75, 8.0]
3  doge     7       (6.75, 8.0]
4  eric     4       (2.999, 4.5]
5  fred     6       (4.5, 6.0]

grade 列现在包含 bin，总共应该有 4 不同的 bin。请注意， (2.995, 4.25] 仅表示 2.995 < raw_grade <= 4.25 。

指定自定义 bin 边

要指定自定义 bin 边，我们可以传入 bin 边数组而不是 int ：

df["grade"] = pd.cut(df["raw_grade"], bins=[0,4,6,10])
df



   name  raw_grade  grade
0  alex     3       (0, 4]
1  bob      6       (4, 6]
2  cathy    8       (6, 10]
3  doge     7       (6, 10]
4  eric     4       (0, 4]
5  fred     6       (4, 6]

我们在这里展示相同的df供您参考：

df



   name  raw_grade
0  alex     3
1  bob      6
2  cathy    8
3  doge     7
4  eric     4
5  fred     6

指定权利

要使左 bin 边包含在内且右 bin 边不包含，请设置 right=False ：

df["grade"] = pd.cut(df["raw_grade"], bins=[0,4,6,10], right=False)
df



   name  raw_grade  grade
0  alex      3      [0, 4)
1  bob       6      [6, 10)
2  cathy     8      [6, 10)
3  doge      7      [6, 10)
4  eric      4      [4, 6)
5  fred      6      [6, 10)

请注意我们如何使用 [0, 4) 而不是默认的 (0, 4] 。

指定标签

我们可以通过设置labels参数来为我们的箱子添加标签：

df["grade"] = pd.cut(df["raw_grade"], bins=3, labels=["C","B","A"])
df



   name  raw_grade  grade
0  alex      3        C
1  bob       6        B
2  cathy     8        A
3  doge      7        A
4  eric      4        C
5  fred      6        B

这是cut(~) 方法的一个非常实用的函数。 labels 数组的长度必须等于指定的 bin 数量。

通过设置 labels=False ，返回 int 的 Numpy 数组：

raw_grades = [3,6,8,7,4,5]
pd.cut(raw_grades, bins=3, labels=False)



array([0, 1, 2, 2, 0, 1])

在这里，输出告诉我们：

• 原始等级 3 属于 bin 0(第一个 bin)。

• 原始等级 6 属于 bin 1(第二个 bin)。

• 等等。

指定 retbins

要获得计算的 bin 边，请设置 retbins=True ：

raw_grades = [3,6,8,7,4,5]
res = pd.cut(raw_grades, bins=2, retbins=True)
print("Categories: ", res[0])
print("Bin egdes: ", res[1])



Categories:  [(2.995, 5.5], (5.5, 8.0], (5.5, 8.0], (5.5, 8.0], (2.995, 5.5], (2.995, 5.5]]
Categories (2, interval[float64]): [(2.995, 5.5] < (5.5, 8.0]]
Bin egdes:  [2.995 5.5   8.   ]

我们在这里展示相同的df供您参考：

df



   name  raw_grade
0  alex     3
1  bob      6
2  cathy    8
3  doge     7
4  eric     4
5  fred     6

指定精度

要控制显示多少位小数，请设置precision参数：

res = pd.cut(df["raw_grade"], bins=[0,4.33333,6.6,10], precision=2)
print(res)



0    (0.0, 4.33]
1    (4.33, 6.6]
2    (6.6, 10.0]
3    (6.6, 10.0]
4    (0.0, 4.33]
5    (4.33, 6.6]
Name: raw_grade, dtype: category
Categories (3, interval[float64]): [(0.0, 4.33] < (4.33, 6.6] < (6.6, 10.0]]

在这里，请注意 4.3333 如何被截断为 4.33 ，如 2 的 precision 值所指定。

指定include_lowest

考虑以下：

df["grade"] = pd.cut(df["raw_grade"], bins=[3,6,10])
df



   name  raw_grade     grade
0  alex      3          NaN
1  bob       6       (3.0, 6.0]
2  ...

默认情况下， include_lowest=False ，这意味着第一个 bin 间隔是 left-exclusive。这就是为什么 3 的 raw_grade 不属于这里的任何 bin 的原因。

我们可以通过设置 include_lowest=True 来设置第一个 bin 间隔 left-inclusive ：

df["grade"] = pd.cut(df["raw_grade"], bins=[3,6,10], include_lowest=True)
df



   name  raw_grade       grade
0  alex      3        (2.999, 6.0]
1  bob       6        (2.999, 6.0]
...

我们现在看到 3 的 raw_grade 已包含在第一个 bin 中。

指定重复项

默认情况下，bin 边必须是唯一的，否则将引发错误。例如：

x = [3,7,8,7,4,5]
pd.cut(x, bins=[2,6,6,10])   # duplicates="raise"



ValueError: Bin edges must be unique: array([ 2,  6,  6, 10]).

在这里，我们有两个值 6 的 bin 边，因此这就是我们收到错误的原因。

为了删除(删除)多余的 bin 边，请设置 duplicates="drop" ，如下所示：

x = [3,7,8,7,4,5]
pd.cut(x, bins=[2,6,6,10], duplicates="drop")



[(2, 6], (6, 10], (6, 10], (6, 10], (2, 6], (2, 6]]
Categories (2, interval[int64]): [(2, 6] < (6, 10]]

我们看到值 6 的 bin 边之一被丢弃。

指定有序

默认情况下， ordered=True ，这意味着生成的 Categorical 将被排序：

grades = [3,6,8,7,4,5]
pd.cut(grades, bins=2, labels=["B","A"])   # ordered=True



['B', 'A', 'A', 'A', 'B', 'B']
Categories (2, object): ['B' < 'A']

请注意有关排序的信息如何嵌入为 ['B'<'A'] 。

通过设置 ordered=False ，可以省略此类排序信息：

grades = [3,6,8,7,4,5]
pd.cut(grades, bins=2, labels=["B","A"], ordered=False)



['B', 'A', 'A', 'A', 'B', 'B']
Categories (2, object): ['B', 'A']

要设置 ordered=False ，请确保已指定 labels 。