pandas資料劃分區間

用pandas将資料劃分區間

在資料分析的過程中，經常會遇到：年齡，收入，價格以及類似的資料，在資料分析前，需要将這些資料劃分到一系列區間中，再将區間進行不同的編碼，對編碼後的資料進行分析。

在pandas中可以使用pandas.cut()方法實作對資料的區間劃分，以及對區間進行标記。

案例資料

• 以name,age,score為例，使用pandas.cut()方法對age、score進行區間劃分。

import pandas as pd
import numpy as np

df = pd.DataFrame(data={
    "name":["A","B","C","D","E","F","G","H","I","J"],
    "age":[23,26,37,46,85,12,53,80,66,32],
    "score":[13,23,22,76,56,89,99,100,10,54],
})
           

資料形式展示：

name	age	score
A	23	13
1	B	26	23
2	C	37	22
3	D	46	76
4	E	85	56
5	F	12	89
6	G	53	99
7	H	80	100
8	I	66	10
9	J	32	54

pandas.cut()介紹

用來将資料劃分為不同的區間

• x：array型資料（DataFrame的每一列資料都是array型資料）
• bins：傳入int型資料，表示劃分的區間個數，傳入list型資料，表示自定義的區間
• labels：傳入與bins對應區間的标簽list型資料（預設為None）
• retbins：True表示傳回劃分的區間，False表示不傳回劃分的區間（預設為False）
• right：True表示左開右閉，False表示左閉右開（預設為True）

傳回資料：

• x對應所在的區間，array類型
• retbins為True時，還會傳回劃分區間

一、自動劃分區間

例如：bins=3,right=True,pandas會将資料劃分為3個區間,劃分方法,

(max-(max-min)/bins,max]>(60.667,85]

(max-(max-min)/bins*2,max-(max-min)/bins]>(36.333.60.667]

(max-(max-min)/bins*3,max-(max-min)/bins*2]==>(11.927, 36.333]

# a,bins傳入的是int類型，自動生成的區間
0    (11.927, 36.333]
1    (11.927, 36.333]
2    (36.333, 60.667]
3    (36.333, 60.667]
4      (60.667, 85.0]
5    (11.927, 36.333]
6    (36.333, 60.667]
7      (60.667, 85.0]
8      (60.667, 85.0]
9    (11.927, 36.333]
Name: age, dtype: category
Categories (3, interval[float64]): [(11.927, 36.333] < (36.333, 60.667] < (60.667, 85.0]]
                                                                           
# b,自動劃分的區間
array([11.927, 36.333, 60.667, 85.0])
           

二、自定義劃分區間

eg：自定義一個年齡分段清單，age_bins = [10,20,30,50,70,80,90]

對應的區間為：[(10, 20] < (20, 30] < (30, 50] < (50, 70] < (70, 80] < (80, 90]]

這樣pandas會按照age_bins指定的區間進行劃分

age_bins = [10,20,30,50,70,80,90]
a,b = pd.cut(x=df["age"],bins=age_bins,right=True,retbins=True)
           

a和b的值：

# a傳回的資料區間array對象
0    (20, 30]
1    (20, 30]
2    (30, 50]
3    (30, 50]
4    (80, 90]
5    (10, 20]
6    (50, 70]
7    (70, 80]
8    (50, 70]
9    (30, 50]
Name: age, dtype: category
Categories (6, interval[int64]): [(10, 20] < (20, 30] < (30, 50] < (50, 70] < (70, 80] < (80, 90]]

# b資料區間retbins=True
array([10, 20, 30, 50, 70, 80, 90])
           

三、區間左邊是否包含

使用場景：當age為80的時候，應該歸為(70,80]還是[80,90)，這是個問題

eg：bins = [10,20,30,50,70,80,90]，right=True

對應的區間為：[(10, 20] < (20, 30] < (30, 50] < (50, 70] < (70, 80] < (80, 90]]

pd.cut(x=df.age,bins=age_bins,retbins=True,right=True)

(0    (20, 30]
 1    (20, 30]
 2    (30, 50]
 3    (30, 50]
 4    (80, 90]
 5    (10, 20]
 6    (50, 70]
 7    (70, 80]
 8    (50, 70]
 9    (30, 50]
 Name: age, dtype: category
 Categories (6, interval[int64]): [(10, 20] < (20, 30] < (30, 50] < (50, 70] < (70, 80] < (80, 90]],
 array([10, 20, 30, 50, 70, 80, 90]))      
           

bins = [10,20,30,50,70,80,90]，right=False

對應的區間為：[[10, 20) < [20, 30) < [30, 50) < [50, 70) < [70, 80) < [80, 90)]

pd.cut(x=df.age,bins=age_bins,retbins=True,right=False)

(0    [20, 30)
 1    [20, 30)
 2    [30, 50)
 3    [30, 50)
 4    [80, 90)
 5    [10, 20)
 6    [50, 70)
 7    [80, 90)
 8    [50, 70)
 9    [30, 50)
 Name: age, dtype: category
 Categories (6, interval[int64]): [[10, 20) < [20, 30) < [30, 50) < [50, 70) < [70, 80) < [80, 90)],
 array([10, 20, 30, 50, 70, 80, 90]))
           

四、區間加上标簽

使用labels參數可以對區間加上标簽，例如score列，小于60為不及格，60-80良好，80以上優秀

eg:bins:[0,60,80,100]，labels：[“不及格”,“良好”,“優秀”]

傳回的是對應的标簽，而不是對應的區間

代碼運作結果：

0    不及格
1    不及格
2    不及格
3     良好
4    不及格
5     優秀
6     優秀
7     優秀
8    不及格
9    不及格
Name: score, dtype: category
Categories (3, object): ['不及格' < '良好' < '優秀']
           

給資料加上區間和标簽

df["age_range"] = pd.cut(x=df["age"],bins=[10, 20, 30, 50, 70, 80, 90])
df["score_label"] = pd.cut(x=df["score"],bins=[0,60,80,100],labels=["不及格","良好","優秀"])
           

代碼運作結果：

name	age	score	age_range	score_label
A	23	13	(20, 30]	不及格
1	B	26	23	(20, 30]	不及格
2	C	37	22	(30, 50]	不及格
3	D	46	76	(30, 50]	良好
4	E	85	56	(80, 90]	不及格
5	F	12	89	(10, 20]	優秀
6	G	53	99	(50, 70]	優秀
7	H	80	100	(70, 80]	優秀
8	I	66	10	(50, 70]	不及格
9	J	32	54	(30, 50]	不及格

更多好玩的内容，歡迎關注微信公衆号“資料與程式設計之美”