pandas cut函数分组,pandas cut函数详解及示例（25）

Pandas cut() 介绍

将数据进行离散化、将连续变量进行分段汇总

例如，假设我们有 1 到 10 的数字。在这里，我们对这些值进行分类并将它们区分为 2 组。这些组被称为bins。因此，我们将这组值区分为 bin 1 = 1 到 5 和 bin 2 = 5 到 10。现在，一旦我们有了这两个 bin，我们就可以决定哪些值更大，哪些值更小。因此，从 1 到 5 的数字小于从 5 到 10 的数字。因此，这些较小的数字被称为“低”，而较大的数字被称为“高”。

本文是Python Pandas教程系列的一部分，您可以点击Python Pandas使用教程查看所有。

Pandas cut() 的语法

下面给出了 Pandas cut() 的语法：

Pandas.cut(x, duplicates=’raise’, include_lowest = false, precision = 3, retbins = false, labels = none, right = true, bins)

x：一维数组

bins：整数–将x划分为多少个等距的区间，序列–将x划分在指定序列中，若不在该序列中，则是Nan

right：是否包含右端点

labels：是否用标记来代替返回的bins

precision：精度

include_lowest：是否包含左端点

cut() 函数在 Pandas 中是如何工作的？

下面给出了 cut() 函数在 Pandas 中的工作原理：

示例#1

利用 Pandas Cut() 函数将数字分割成 bin。

代码：

import numpy as np
import pandas as pd
df_num1 = pd.DataFrame({'num': np.random.randint(1, 30, 20)})
print(df_num1)
df_num1['num_bins'] = pd.cut(x=df_num1['num'], bins=[1, 5, 10, 15, 30])
print(df_num1)
print(df_num1['num_bins'].unique())

输出：

在上面的程序中，我们看到了如何将值分类到不同的 bin 中。首先我们导入numpy和pandas，然后定义不同的整数值，最后添加pandas.cut()函数将这些值分类为bins，最后将它们打印为单独的列，并打印bins中的唯一值，因此输出是生成。

示例#2

利用 Pandas cut() 函数来标记bins。

代码：

import numpy as np
import pandas as pd
df_num1 = pd.DataFrame({'number': np.random.randint(1, 50, 30)})
print(df_num1)
df_num1['numbers_labels'] = pd.cut(x=df_num1['number'], bins=[1, 25, 50], labels=['Lows', 'Highs'], right=False)
print(df_num1)
print(df_num1['numbers_labels'].unique())

输出：

在这里，我们做与之前相同的操作，但除了分类到 bin 之外，我们还将这些 bin 分类并标记为高点和低点。我们首先在python中导入pandas和numpy包。我们稍后为 bin 分配值，并通过使用 pandas.cut() 函数，我们将数值区分为 bin，最后查看哪些数字更大，哪些更小。因此，较大的数字称为高点，较小的数字称为低点。

结论

这是 Pandas cut() 的指南。在这里，我们将讨论介绍以及 pandas cut函数在 pandas 中的工作原理