pandas.cut学习记录

pandas.cut用于将一维数据分组，比如将年龄按阶段分类。

官方文档：

pandas.cut(x, bins, right: bool = True, labels=None, retbins: bool = False, precision: int = 3, include_lowest: bool = False, duplicates: str = ‘raise’)

参数解释：

0. 构建实例：

import numpy as np
import pandas as pdages = np.array([10,20,11,13,35,26,40,45,12,24,33])
ages
array([10, 20, 11, 13, 35, 26, 40, 45, 12, 24, 33])

1. x:需要被切分的数据，只能时一维数据。可以是series，不能时dataframe。

2. bins：分组的依据，可以传入3种形式的参数

   • int：传入一个整数，将x连续均匀分为int份，在两端会扩大0.1%，用来收纳最大值和最小值。
   • 标量序列：直接定义分割后的bins，此时bins没有扩展，可以是不均匀分割
   • IntervalIndex：定义要使用的确切的bins，bins的intervallndex不可重叠。

array([10, 20, 11, 13, 35, 26, 40, 45, 12, 24, 33])
pd.cut(ages,5)[(9.965, 17.0], (17.0, 24.0], (9.965, 17.0], (9.965, 17.0], (31.0, 38.0], ..., (38.0, 45.0], (38.0, 45.0], (9.965, 17.0], (17.0, 24.0], (31.0, 38.0]]
Length: 11
Categories (5, interval[float64]): [(9.965, 17.0] < (17.0, 24.0] < (24.0, 31.0] < (31.0, 38.0] < (38.0, 45.0]]
# ages被分为5份，因为是左开区间，最小值为9.965

输出中第一行为每个数据所在的分组，第二行为数据数量，第三行为具体的分组

3. right：default = True，是否包括区间右侧的值，默认为包括，即右闭区间。

ages = array([10, 20, 11, 13, 35, 26, 40, 45, 12, 24, 33])
pd.cut(ages,[9,12,17,30,35,50],right= False)[[9, 12), [17, 30), [9, 12), [12, 17), [35, 50), ..., [35, 50), [35, 50), [12, 17), [17, 30), [30, 35)]
Length: 11
Categories (5, interval[int64]): [[9, 12) < [12, 17) < [17, 30) < [30, 35) < [35, 50)]

此时分组为左闭右开区间，bins为直接指定的参数

4. labels：default = None，为分好的组打上标签，数量必须于分组的数量对应。如果是=False，会影响分组的数据类型。

pd.cut(ages,[0,15,30,40,50],labels=['志于学','而立','不惑','知天命'])[志于学, 而立, 志于学, 志于学, 不惑, ..., 不惑, 知天命, 志于学, 而立, 不惑]
Length: 11
Categories (4, object): [志于学 < 而立 < 不惑 < 知天命]

5. ** retbins**：default = False 。返回分组的bins，如果bins是int比较有用

pd.cut(ages,[0,15,30,40,50],labels=['志于学','而立','不惑','知天命'],retbins = True)([志于学, 而立, 志于学, 志于学, 不惑, ..., 不惑, 知天命, 志于学, 而立, 不惑]Length: 11Categories (4, object): [志于学 < 而立 < 不惑 < 知天命],array([ 0, 15, 30, 40, 50])) # 返回bins，如果bins参数时int类型还好，否则就显得很呆。。。

6. precision: int,deafault = 3。区间的精度，默认保留3位小数。

pd.cut(ages,4,precision=1)[(10.0, 18.8], (18.8, 27.5], (10.0, 18.8], (10.0, 18.8], (27.5, 36.2], ..., (36.2, 45.0], (36.2, 45.0], (10.0, 18.8], (18.8, 27.5], (27.5, 36.2]]
Length: 11
Categories (4, interval[float64]): [(10.0, 18.8] < (18.8, 27.5] < (27.5, 36.2] < (36.2, 45.0]]
# 输出的分组，数据保留了1位小数

7. include_lowes：default = False 。类似right，是否保留区间左侧数据。
8. duplicate：default=raise，or drop。如果区间重复，选择raise，报错，如果选择drop，删除重复区间。

pd.cut(ages,[5,20,30,30,40,50],duplicates='raise')
ValueError: Bin edges must be unique: array([ 5, 20, 30, 30, 40, 50]).#一天一个报错小技巧
You can drop duplicate edges by setting the 'duplicates' kwargpd.cut(ages,[5,20,30,30,40,50],duplicates='drop')
[(5, 20], (5, 20], (5, 20], (5, 20], (30, 40], ..., (30, 40], (40, 50], (5, 20], (20, 30], (30, 40]]
Length: 11
Categories (4, interval[int64]): [(5, 20] < (20, 30] < (30, 40] < (40, 50]]#重复值直接删除了。