pandas pd.qcut() 等分位分箱

看过来

《pandas 教程》持续更新中，提供建议、纠错、催更等加作者微信: gr99123（备注：pandas教程）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

pd.qcut() 是 Pandas 中的一个函数，用于将一维数据按等分位数划分为若干组（区间或类别）。与 pd.cut() 不同，pd.qcut() 会根据数据的实际分布，保证每个分组包含大致相同数量的数据点，非常适合数据分布不均的情况下使用。

适用数据类型

pd.qcut() 可以用于以下数据类型：

一维数组（ndarray 或 list）
Pandas Series
一维的 DataFrame 列

语法和参数

函数签名

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

参数详解

x（必选）
- 一维数据，如 list、ndarray、Series 等。
- 是需要分箱的数据。
q（必选）
- 分位数的数量或具体的分位点。
- 如果是整数，则表示分成 q 个等分位区间（例如，q=4 分成四分位数）。
- 如果是列表，则表示指定分位点（如 [0, 0.25, 0.5, 0.75, 1]）。
labels（可选，默认为 None）
- 为每个区间指定标签。
- 可以是布尔值、字符串列表或整数列表：
  - 如果为 False，返回区间编号（从 0 开始）。
  - 如果为 None，返回默认的区间（如 (a, b] 格式）。
  - 如果提供自定义标签，数量必须与区间数量一致。
retbins（可选，默认为 False）
- 是否返回实际使用的分箱边界。
- 如果为 True，则返回分箱结果和分箱边界。
precision（可选，默认为 3）
- 分箱边界的精度，即小数点后的位数。
duplicates（可选，默认为 'raise'）
- 如果分箱边界中有重复值的处理方式：
  - 'raise'：抛出异常。
  - 'drop'：忽略重复边界。

返回值

如果 labels 为 False，返回一个整数的 Series。
如果 labels 为 None 或自定义标签，返回一个 Categorical 类型的对象。
如果 retbins=True，返回一个元组：
- 第一个元素是分箱后的结果。
- 第二个元素是实际的分箱边界。

使用场景

数据离散化：将连续数据分成多个类别（如高、中、低）。
等量分箱：确保每个区间包含大致相同数量的数据。
分布分析：查看数据的分布情况（如分位点）。
特征工程：将连续变量转化为离散变量以增强模型鲁棒性。

示例

示例数据

import pandas as pd
import numpy as np

# 示例数据
data = np.random.randint(1, 101, 20)  # 生成 20 个随机数，范围 [1, 100]
print("示例数据：", data)

示例 1：基本用法

按四分位数分箱：

result = pd.qcut(data, q=4)
print("分箱结果：")
print(result)

输出示例：

分箱结果：
[(67.25, 90.0], (26.0, 67.25], ..., (67.25, 90.0]]
Categories (4, interval[float64, right]): [(0.999, 26.0] < (26.0, 67.25] < (67.25, 90.0] < (90.0, 100.0]]

说明：

数据被分为 4 个区间，每个区间约包含 5 个数据点。
默认返回 (a, b] 格式的区间。

示例 2：指定分位点

将数据按分位点 [0, 0.25, 0.5, 0.75, 1.0] 划分：

result, bins = pd.qcut(data, q=[0, 0.25, 0.5, 0.75, 1.0], retbins=True)
print("分箱结果：", result)
print("分箱边界：", bins)

输出示例：

分箱结果： [(67.25, 90.0], (26.0, 67.25], ..., (90.0, 100.0]]
分箱边界： [ 1.    26.    67.25  90.   100.  ]

示例 3：自定义标签

为每个区间分配标签：

labels = ['Low', 'Medium', 'High', 'Very High']
result = pd.qcut(data, q=4, labels=labels)
print("带标签的分箱结果：")
print(result)

输出示例：

带标签的分箱结果：
['Very High', 'Medium', ..., 'High']
Categories (4, object): ['Low' < 'Medium' < 'High' < 'Very High']

示例 4：返回整数编号

返回区间编号而非区间：

result = pd.qcut(data, q=4, labels=False)
print("区间编号：")
print(result)

输出示例：

区间编号：
[3, 1, ..., 2]

示例 5：处理重复边界

如果分位点重复，可以通过 duplicates='drop' 忽略重复：

data_with_duplicates = [1, 2, 2, 3, 4, 5, 5, 5, 6, 7]
result = pd.qcut(data_with_duplicates, q=4, duplicates='drop')
print("处理重复边界后的结果：")
print(result)

总结

pd.qcut 的核心特性是按数据的分布等分区间，每个区间的数据量大致相等。
常见场景：等量分箱、分布分析、离散化处理。
灵活性：
- 可以自定义分位点或标签。
- 支持处理重复边界。
- 返回区间编号或具体的区间范围。

如果有更复杂的需求（如结合其他分箱方法或数据清洗），可以进一步扩展！

参考

https://pandas.pydata.org/docs/reference/api/pandas.qcut.html

< pandas pd.cut() 指定区间分箱 pandas 数据分箱（分桶）

更新时间：2024-12-07 09:08:41 标签：pandas python 分箱