pandas中的cut和qcut


总体印象:cut和qcut都是用来对数据进行简单的分箱处理,
其不同之处在于
(1) qcut是一个 等频分箱,按照分位数进行分箱,每个箱体里面的 样本量相同,输入的是待切分数据和箱体的个数;而cut是一个等距分箱或者非等距分箱,其输入参数为 bins,描述切分箱体的边界。

1. cut

  • 用处
    分箱函数,可以指定分箱的边界,因此每个箱体里面的样本量不一定相等
  • 输入参数
    (1) 待切分的数据
    (2) 划分的分箱边界bins=
    (3) labels 指定箱子的标签
    (4) ordered=True,对label是否有序进行设定,默认是True。当label存在重复值时,必须设定ordered=False
pd.cut(np.array([1, 7, 5, 4, 6, 3]), 3,labels=["B", "A",'C'])

返回
['B', 'C', 'A', 'A', 'C', 'B']
Categories (3, object): ['B' < 'A' < 'C'] 这里有小于符号,表明顺序
  • 输出
    • out
      返回类型(Categorical或Series)取决于输入:如果输入是Series,则为category类型的Series,否则为Categorical类型的Series。当类别数据返回时,容器被表示为类别
p[1,2,3,4,5,7,11,13,24,35,46,67,65,54,87,111,22,34,32,33,4,4,555,3,4,345,567,432,321,123,342,34,57,89,98,76,54,99]
_,bins=pd.qcut(p,q=4,duplicates='drop',retbins=True)

#按列表来分箱,返回的就是数组
pd.cut(p,bins)
返回
[NaN, (1.0, 8.0], (1.0, 8.0], (1.0, 8.0], (1.0, 8.0], ..., (40.5, 95.75], (95.75, 567.0], (40.5, 95.75], (40.5, 95.75], (95.75, 567.0]]
Length: 38
Categories (4, interval[float64, right]): [(1.0, 8.0] < (8.0, 40.5] < (40.5, 95.75] < (95.75, 567.0]]

#数据框中的某一列来分箱,返回的就是数据框中的某一列
table=pd.DataFrame()
table['prob']=p
table['bins']=pd.cut(table['prob'],bins)
table

返回

  • bins
    retbins为True时,显示箱体 因此当retbins=True时,返回的是两个变量,对于不同的变量采取不同的操作方法
    (1) 第一个变量为每个值所属的类别,即所属哪一类区间,采用的方法可以是计算区间里面的个数,即value_counts()
    (2) 第二个变量可以直接实例化输出,以数组的形式显示出来
p=[1,2,3,4,5,7,11,13,24,35,46,67,65,54,87,111]
split,bins=pd.cut(p,bins=4,retbins=True)
pd.value_counts(split)

返回
(0.89, 28.5]     9
(28.5, 56.0]     3
(56.0, 83.5]     2
(83.5, 111.0]    2
dtype: int64

_,q=pd.qcut(p,q=4,duplicates='drop',retbins=True)
q
返回
array([  1.  ,   4.75,  18.5 ,  56.75, 111.  ])

2. qcut

  • 用处:
    根据秩或样本分位数将变量离散到大小相等的桶中,所谓大小相等指的是样本量相同,因为这是位数分箱函数。例如,10分位数对应1000个值生成一个category对象,指示每个数据点的分位数成员
  • 输入参数
    (1) 切分列表数据
    (2) q= 分位数的表示,整数(10——十分位数)小数(0.25——四分位数)
    (3) duplicates='raise'/'drop' 如果bin的边不唯一,抛出ValueError或删除非唯一的边。
    (4) retbins=True是否返回(bins,label)。如果容器是作为标量给出的,则会很有用。
  • 返回值
    与cut的类似
p=[1,2,3,4,5,7,11,13,24,35,46,67,65,54,87,111]
_,q=pd.qcut(p,q=10,duplicates='drop',retbins=True)

则返回array([  1. ,   2.5,   4. ,   6. ,  11. ,  18.5,  35. ,  50. ,  65. ,
        77. , 111. ])

文章出处登录后可见!

已经登录?立即刷新

共计人评分,平均

到目前为止还没有投票!成为第一位评论此文章。

(0)
上一篇 2022年5月18日 下午1:10
下一篇 2022年5月18日 下午1:14

相关推荐

本站注重文章个人版权,不会主动收集付费或者带有商业版权的文章,如果出现侵权情况只可能是作者后期更改了版权声明,如果出现这种情况请主动联系我们,我们看到会在第一时间删除!本站专注于人工智能高质量优质文章收集,方便各位学者快速找到学习资源,本站收集的文章都会附上文章出处,如果不愿意分享到本平台,我们会第一时间删除!