python-pandas.cut()数据分箱

在对数据处理的过程中，经常会用到对不同阈值的数据贴上不同的标签，或者将连续数据转换成分类数据，pandas中的cut函数可以较好解决数据划分不同标签问题。

pandas.cut函数语法：

pandas.cut(x, 
        bins, 
        right=True, 
        labels=None, 
        retbins=False, 
        precision=3, 
        include_lowest=False, 
        duplicates='raise', 
        ordered=True
        )

参数解释：

x ： 要进行分割的一维数组。

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。

栗子：

import numpy as np
import pandas as pd

分割成等宽的n等分，bins=n

x = np.array([1, 7, 5, 4, 6, 3])
pd.cut(x, bins=3)

分割等宽n等分并指定标签

x = np.array([1, 7, 5, 4, 6, 3])
pd.cut(x, bins=3, labels=["bad", "medium", "good"])

只返回bin，设置labels=False

x = np.array([1, 7, 5, 4, 6, 3])
pd.cut(x, bins=3, labels=False)

结果表示数字1在第0号箱子，数字7在第2号箱子....

显示分界值，retbins=True

bins传入间隔索引

s = pd.Series(np.array([2, 4, 6, 8, 10]),
             index=['a', 'b','c', 'd', 'e'])
pd.cut(s, bins=[0, 2, 4, 6, 8, 10], labels=False, retbins=True, right=False) # 不设置标签，显示分界值，不含最右侧值

bins传入间隔索引存在重复数据

s = pd.Series(np.array([2, 4, 6, 8, 10]),
             index=['a', 'b','c', 'd', 'e'])
pd.cut(s, bins=[0, 2, 4, 6, 10, 10], labels=False, retbins=True, right=False
      , duplicates='drop') # 不设置标签，显示分界值，不含最右侧值