Python 数据清洗：pd.cut()分箱统计

目的：

对原始数据的商品金额进行区间划分，统计各个区间的订单数

解决思路：

分箱使用pd.cut()

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

• x ： 一维数组

• bins ：整数，标量序列或者间隔索引，是进行分组的依据，

        如果填入整数n，则表示将x中的数值分成等宽的n份(即每一组内的最大值与最小值之差约相等)；

        如果是标量序列，序列中的数值表示用来分档的分界值

        如果是间隔索引，“ bins”的间隔索引必须不重叠

• right ：布尔值，默认为True表示包含最右侧的数值

        当“ right = True”(默认值)时，则“ bins”=[1、2、3、4]表示(1,2]，(2,3],(3,4]

        当bins是一个间隔索引时，该参数被忽略。

• labels : 数组或布尔值，可选.指定分箱的标签

        如果是数组，长度要与分箱个数一致，比如“ bins”=[1、2、3、4]表示(1,2]，(2,3],(3,4]一共3个区间，则labels的长度也就是标签的个数也要是3

        如果为False，则仅返回分箱的整数指示符，即x中的数据在第几个箱子里

        当bins是间隔索引时，将忽略此参数

• retbins： 是否显示分箱的分界值。默认为False，当bins取整数时可以设置retbins=True以显示分界值，得到划分后的区间

• precision：整数，默认3，存储和显示分箱标签的精度。

• include_lowest：布尔值，表示区间的左边是开还是闭，默认为false，也就是不包含区间左边。

• duplicates：如果分箱临界值不唯一，则引发ValueError或丢弃非唯一

可视化统计，使用pd.pivot_table()

具体代码：

1、获取数据

df = pd.read_excel('新建 XLSX 工作表.xlsx',sheet_name= 'Sheet1')  #读取数据进入Python程序
data = df[['订单号','付款时间','订单金额','商品名称','产品规格','商品数量','商品金额']]  # 选择需用用到的数据列
print(data.head()) # 打印数据

 2、分箱处理

# 定义金额区间
je_cut =[0,10,50,100,150,200,500,100000] 
je_label = ['0-10','10-50','50-100','100-150','150-200','200-500','500以上']  #给金额区间设置标签
data['金额区间'] = pd.cut(data['商品金额'],bins=je_cut,labels= je_label)

print(data)

 3、统计分析

Data = pd.pivot_table(data,values = ['订单号'],index = ['金额区间'],aggfunc = {'订单号':lambda x: len(x.dropna().unique())}
                      ,fill_value =0).reset_index(drop = False)  # fill_value = 0是用来填充缺失值、空值
Data = Data.rename(columns ={'订单号':'订单数'}) # 修改列名
print(Data)

 至此，我们已经完成了数据的分箱统计需求~~~~~~