python如何分箱

1、数据分箱

数据分箱技术在Pandas官方给出的定义：Bin values into discrete intervals，是指将值划分到离散区间。好比不同大小的苹果归类到几个事先布置的箱子中；不同年龄的人划分到几个年龄段中。

这种技术在数据处理时会很有用。

2、例子

我们先来看例子

importnumpyasnp
importpandasaspd
ages=np.array([5,10,36,12,77,89,100,30,1])#年龄数据
1
2
3

现把数据划分成 3 个区间，并打上老、中、青的标签。Pandas提供了易用的API，很容易就可以实现。

pd.cut(ages,3,labels=['青','中','老'])
1

结果如下，一行代码便实现。

[青,青,中,青,老,老,老,青,青]
1

cut在操作时，统计了一维数组的最小、值，得到一个区间长度，因为需要划分3个区间，所以会得到三个均匀的区间，如下。

pd.cut(ages,3)
>>>区间如下：
Categories(3,interval[float64]):
[(0.901,34.0]<(34.0,67.0]<(67.0,100.0]]
1
2
3
4

给定数据的最小值为1，区间默认是左开右闭，所以为了囊括1，需要将最靠左的区间向左延长0.1%（总区间长度），默认精度为小数点后3位。

3、函数原型

通过以上例子初步认识cut后，再分析cut原型就比较容易。

参数含义如下：

x：被切分的类数组数据，注意必须是1维；

bins：简单理解为分箱规则，就是桶。支持int 标量、序列；

right：表示是否包含区间的右边界，默认包含；

labels：分割后的bins打标签；

retbins：表示是否将分割后的bins返回，默认不返回。如为True，则：

array([0.901,34.,67.,100.]))
1
2
3
4
5
include_lowest:区间的左边是开还是闭，默认为开；
duplicates;是否允许重复区间。raise：不允许，drop：允许。