pandas pd.cut() 指定区间分箱

pd.cut() 是 Pandas 提供的一种分箱（binning）方法，用于将连续数据划分为固定的区间（或类别），并返回对应的区间标签。这种操作在数据预处理阶段非常常见，尤其是将连续变量转换为分类变量（如离散化年龄或收入数据）。

核心功能

• 按照固定的区间划分数据。
• 可以指定分箱的数量或明确的分箱边界。
• 支持为每个区间分配标签。
• 返回的数据可以是类别（Categorical）或自定义的标签。

语法

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

参数说明

• x：需要分箱的一维数据（如 Series、ndarray）。
• bins：
  • 如果是整数，表示将数据分成指定数量的等宽区间。
  • 如果是序列，表示自定义的区间边界。
• right：是否为右闭区间，默认为 True（区间形如 (a, b]）。
• labels：
  • 指定每个区间的标签（如 ['Low', 'Medium', 'High']）。
  • 如果为 False，则返回区间编号而不是标签。
• retbins：是否返回实际使用的分箱边界，默认 False。
• precision：区间端点的小数精度，默认为 3。
• include_lowest：是否将第一个区间的左端点包含在内（仅在 right=True 时生效）。
• duplicates：
  • 如果分箱边界有重复值，默认抛出异常。
  • 可设置为 'drop' 忽略重复边界。

示例和用法

示例 1：等宽分箱

将数据分为 3 个等宽区间：

import pandas as pd

data = [1, 7, 5, 4, 6, 2, 8, 3, 10]

# 等宽分箱
result = pd.cut(data, bins=3)
print(result)

输出：

[(0.991, 4.0], (4.0, 7.0], (4.0, 7.0], (0.991, 4.0], (4.0, 7.0], ..., (7.0, 10.0]]
Categories (3, interval[float64, right]): [(0.991, 4.0] < (4.0, 7.0] < (7.0, 10.0]]

解释：

• 数据被分为 3 个等宽区间：(0.991, 4.0]、(4.0, 7.0]、(7.0, 10.0]。
• 返回值是一个 Categorical 对象，每个数据点对应一个区间。

示例 2：自定义分箱边界

# 自定义分箱边界
bins = [0, 3, 6, 9]
result = pd.cut(data, bins=bins)
print(result)

输出：

[(0, 3], (6, 9], (3, 6], (3, 6], (3, 6], (0, 3], (6, 9], (0, 3], nan]
Categories (3, interval[int64, right]): [(0, 3] < (3, 6] < (6, 9]]

解释：

• 自定义分箱边界为 [0, 3, 6, 9]。
• 数据点 10 超出边界，返回 NaN。

示例 3：为分箱分配标签

# 自定义标签
bins = [0, 3, 6, 9]
labels = ['Low', 'Medium', 'High']
result = pd.cut(data, bins=bins, labels=labels)
print(result)

输出：

['Low', 'High', 'Medium', 'Medium', 'Medium', 'Low', 'High', 'Low', NaN]
Categories (3, object): ['Low' < 'Medium' < 'High']

解释：

• 为每个区间分配标签：Low、Medium、High。
• 数据点 10 超出边界，仍返回 NaN。

示例 4：返回分箱边界

# 获取分箱结果和边界
result, bin_edges = pd.cut(data, bins=3, retbins=True)
print("Result:", result)
print("Bin edges:", bin_edges)

输出：

Result: [(0.991, 4.0], (4.0, 7.0], (4.0, 7.0], (0.991, 4.0], ..., (7.0, 10.0]]
Bin edges: [ 0.991  4.     7.    10.   ]

解释：

• retbins=True 返回实际分箱边界 [0.991, 4, 7, 10]。

示例 5：左闭区间

设置 right=False，区间左闭右开：

result = pd.cut(data, bins=3, right=False)
print(result)

输出：

[[1.0, 4.0),
  [7.0, 10.0),
   [4.0, 7.0),
    [4.0, 7.0),
     ...,
     [7.0, 10.0)]
Categories (3, interval[float64, left]):
     [[1.0, 4.0) < [4.0, 7.0) < [7.0, 10.0)]

解释：

• 区间形如 [a, b)，即左闭右开。

实际应用场景

（1）将连续数据离散化

• 问题：将年龄划分为不同的阶段。

ages = [15, 22, 35, 45, 52, 63, 78]
bins = [0, 18, 35, 60, 100]
labels = ['Child', 'Youth', 'Adult', 'Senior']

age_groups = pd.cut(ages, bins=bins, labels=labels)
print(age_groups)

输出：

['Child', 'Youth', 'Youth', 'Adult', 'Adult', 'Senior', 'Senior']
Categories (4, object): ['Child' < 'Youth' < 'Adult' < 'Senior']

（2）处理异常值

• 问题：将数据裁剪到指定范围外的值标记为 NaN。

data = [1, 7, 5, 4, 6, 2, 8, 3, 10]
bins = [0, 5, 10]

result = pd.cut(data, bins=bins, include_lowest=True)
print(result)

输出：

[(0, 5], (5, 10], (0, 5], (0, 5], ..., NaN]
Categories (2, interval[int64, right]): [(0, 5] < (5, 10]]

总结

pd.cut() 是用于分箱的强大工具，主要用于：

1. 将连续数据划分为固定宽度的区间（等宽分箱）。
2. 根据自定义的边界或标签对数据进行分类。
3. 在数据清洗、特征工程（如年龄分段、收入分段）中广泛应用。

如果你需要更复杂的分箱（如等分位分箱），可以使用 pandas 的 pd.qcut() 方法。

参考

• https://pandas.pydata.org/docs/reference/api/pandas.cut.html

更新时间：2024-12-07 08:59:14 标签：pandas python 分箱