使用pandas进行数据分箱

　　预生成随机数据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
　　0
　　63
　　1
　　21
　　2
　　76
　　3
　　0
　　4
　　0 between & loc
　　Pandas .between 方法返回一个包含 True 的布尔向量，用来对应的 Series 元素位于边界值 left 和 right[1] 之间。
　　参数有下面三个：
　　left：左边界
　　right：右边界
　　inclusive：要包括哪个边界。可接受的值为 {＂both＂、＂neither＂、＂left＂、＂right＂}。
　　根据以下间隔规则将学生的分数分为等级：
　　A: (80, 100]
　　B: (50, 80]
　　C: [0, 50]
　　其中方括号 [ 和圆括号 ) 分别表示边界值是包含的和不包含的。我们需要确定哪个分数在感兴趣的区间之间，并为其分配相应的等级值。注意看下面的不同的参数表示是否包含边界 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
　　0
　　63
　　B
　　1
　　21
　　C
　　2
　　76
　　B
　　3
　　0
　　C
　　4
　　0
　　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: int64cut
　　可以使用 cut将值分类为离散的间隔。此函数对于从连续变量到分类变量[2] 也很有用。
　　cut的参数如下：
　　x：要分箱的数组。必须是一维的。
　　bins：标量序列：定义允许非均匀宽度的 bin 边缘。
　　labels：指定返回的 bin 的标签。必须与上面的 bins 参数长度相同。
　　include_lowest: (bool) 第一个区间是否应该是左包含的。 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: int64qcut
　　qcut可以根据排名或基于样本分位数将变量离散为大小相等的桶[3]。
　　在前面的示例中，我们为每个级别定义了分数间隔，这回使每个级别的学生数量不均匀。在下面的示例中，我们将尝试将学生分类为 3 个具有相等（大约）数量的分数等级。示例中有 1000 名学生，因此每个分箱应该有大约 333 名学生。
　　qcut参数：
　　x：要分箱的输入数组。必须是一维的。
　　q：分位数。10 表示十分位数，4 表示四分位数等。也可以是交替排列的分位数，例如[0, .25, .5, .75, 1.] 四分位数。
　　labels：指定 bin 的标签。必须与生成的 bin 长度相同。
　　retbins: (bool) 是否返回 (bins, labels)。 df[＂grade＂], cut_bin = pd.qcut(df[＂score＂], q = 3, labels = [＂C＂, ＂B＂, ＂A＂], retbins = True) df.head()
　　score
　　grade
　　0
　　63
　　B
　　1
　　21
　　C
　　2
　　76
　　A
　　3
　　0
　　C
　　4
　　0
　　C # 如果 retbins 设置为 True 则会返回 bin 边界。 print (cut_bin) [  0.  32.  67. 100.] df.grade.value_counts() B    339 C    334 A    327 Name: grade, dtype: int64value_countsdf[＂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