pandas中的cut和qcut

总体印象：cut和qcut都是用来对数据进行简单的分箱处理，
其不同之处在于
(1) qcut是一个 等频分箱，按照分位数进行分箱，每个箱体里面的 样本量相同，输入的是待切分数据和箱体的个数；而cut是一个等距分箱或者非等距分箱，其输入参数为 bins，描述切分箱体的边界。

1. cut

• 用处
  分箱函数，可以指定分箱的边界，因此每个箱体里面的样本量不一定相等
• 输入参数
  (1) 待切分的数据
  (2) 划分的分箱边界bins=
  (3) labels 指定箱子的标签
  (4) ordered=True，对label是否有序进行设定，默认是True。当label存在重复值时，必须设定ordered=False

pd.cut(np.array([1, 7, 5, 4, 6, 3]), 3,labels=["B", "A",'C'])

返回
['B', 'C', 'A', 'A', 'C', 'B']
Categories (3, object): ['B' < 'A' < 'C'] 这里有小于符号，表明顺序

• 输出
  • out
    返回类型(Categorical或Series)取决于输入:如果输入是Series，则为category类型的Series，否则为Categorical类型的Series。当类别数据返回时，容器被表示为类别。

p[1,2,3,4,5,7,11,13,24,35,46,67,65,54,87,111,22,34,32,33,4,4,555,3,4,345,567,432,321,123,342,34,57,89,98,76,54,99]
_,bins=pd.qcut(p,q=4,duplicates='drop',retbins=True)

#按列表来分箱，返回的就是数组
pd.cut(p,bins)
返回
[NaN, (1.0, 8.0], (1.0, 8.0], (1.0, 8.0], (1.0, 8.0], ..., (40.5, 95.75], (95.75, 567.0], (40.5, 95.75], (40.5, 95.75], (95.75, 567.0]]
Length: 38
Categories (4, interval[float64, right]): [(1.0, 8.0] < (8.0, 40.5] < (40.5, 95.75] < (95.75, 567.0]]

#数据框中的某一列来分箱，返回的就是数据框中的某一列
table=pd.DataFrame()
table['prob']=p
table['bins']=pd.cut(table['prob'],bins)
table

返回

• bins
  当retbins为True时，显示箱体 因此当retbins=True时，返回的是两个变量，对于不同的变量采取不同的操作方法
  (1) 第一个变量为每个值所属的类别，即所属哪一类区间，采用的方法可以是计算区间里面的个数，即value_counts()
  (2) 第二个变量可以直接实例化输出，以数组的形式显示出来

p=[1,2,3,4,5,7,11,13,24,35,46,67,65,54,87,111]
split,bins=pd.cut(p,bins=4,retbins=True)
pd.value_counts(split)

返回
(0.89, 28.5]     9
(28.5, 56.0]     3
(56.0, 83.5]     2
(83.5, 111.0]    2
dtype: int64

_,q=pd.qcut(p,q=4,duplicates='drop',retbins=True)
q
返回
array([  1.  ,   4.75,  18.5 ,  56.75, 111.  ])

2. qcut

• 用处：
  根据秩或样本分位数将变量离散到大小相等的桶中，所谓大小相等指的是样本量相同，因为这是位数分箱函数。例如，10分位数对应1000个值生成一个category对象，指示每个数据点的分位数成员
• 输入参数
  (1) 切分列表数据
  (2) q= 分位数的表示，整数（10——十分位数）小数（0.25——四分位数）
  (3) duplicates='raise'/'drop' 如果bin的边不唯一，抛出ValueError或删除非唯一的边。
  (4) retbins=True是否返回(bins，label)。如果容器是作为标量给出的，则会很有用。
• 返回值
  与cut的类似

p=[1,2,3,4,5,7,11,13,24,35,46,67,65,54,87,111]
_,q=pd.qcut(p,q=10，duplicates='drop',retbins=True)

则返回array([  1. ,   2.5,   4. ,   6. ,  11. ,  18.5,  35. ,  50. ,  65. ,
        77. , 111. ])