pythonshujuqingxi/' style='color:#000;font-size:inherit;'>python數(shù)據(jù)清洗功能非常強(qiáng)大，相信很多進(jìn)行數(shù)據(jù)處理工作的小伙伴都遇到過這種需求，比如已經(jīng)有了各個(gè)銷售員的銷售業(yè)績(jī)，現(xiàn)在需要給各個(gè)銷售業(yè)績(jī)進(jìn)行一個(gè)分檔，諸如未完成任務(wù)，完成任務(wù)，超額完成任務(wù)等。要完成分檔需要先對(duì)銷售業(yè)績(jī)的數(shù)值進(jìn)行判斷，然后再根據(jù)判斷的結(jié)果進(jìn)行一個(gè)分類，那么大家都是怎樣進(jìn)行分類的呢？

實(shí)際上，上述需求是要對(duì)連續(xù)型的數(shù)值進(jìn)行分箱操作，實(shí)現(xiàn)的方法有N種，但是效率有高有低，這里我們介紹兩種效率比較高而且也容易理解的方法。

方法一：pd.cut()

參數(shù)介紹

先來看一下這個(gè)函數(shù)都包含有哪些參數(shù)，主要參數(shù)的含義與作用都是什么？

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

x ： 一維數(shù)組（對(duì)應(yīng)前邊例子中提到的銷售業(yè)績(jī)）

bins ：整數(shù)，標(biāo)量序列或者間隔索引，是進(jìn)行分組的依據(jù)，

• 如果填入整數(shù)n，則表示將x中的數(shù)值分成等寬的n份（即每一組內(nèi)的最大值與最小值之差約相等）；
• 如果是標(biāo)量序列，序列中的數(shù)值表示用來分檔的分界值
• 如果是間隔索引，“ bins”的間隔索引必須不重疊

right ：布爾值，默認(rèn)為True表示包含最右側(cè)的數(shù)值

• 當(dāng)“ right = True”（默認(rèn)值）時(shí)，則“ bins”=[1、2、3、4]表示（1,2]，（2,3],（3,4]
• 當(dāng)bins是一個(gè)間隔索引時(shí)，該參數(shù)被忽略。

labels : 數(shù)組或布爾值，可選.指定分箱的標(biāo)簽

• 如果是數(shù)組，長(zhǎng)度要與分箱個(gè)數(shù)一致，比如“ bins”=[1、2、3、4]表示（1,2]，（2,3],（3,4]一共3個(gè)區(qū)間，則labels的長(zhǎng)度也就是標(biāo)簽的個(gè)數(shù)也要是3
• 如果為False，則僅返回分箱的整數(shù)指示符，即x中的數(shù)據(jù)在第幾個(gè)箱子里
• 當(dāng)bins是間隔索引時(shí)，將忽略此參數(shù)

retbins： 是否顯示分箱的分界值。默認(rèn)為False，當(dāng)bins取整數(shù)時(shí)可以設(shè)置retbins=True以顯示分界值，得到劃分后的區(qū)間

precision：整數(shù)，默認(rèn)3，存儲(chǔ)和顯示分箱標(biāo)簽的精度。

include_lowest：布爾值，表示區(qū)間的左邊是開還是閉，默認(rèn)為false，也就是不包含區(qū)間左邊。

duplicates：如果分箱臨界值不唯一，則引發(fā)ValueError或丟棄非唯一

ok，所有參數(shù)的含義與作用就是這些了，純文字解釋怎么都不如代碼跑一遍來的直觀，我們?cè)诖a中實(shí)現(xiàn)一下再結(jié)合上述文字解釋就很容易理解了。而且并不是所有參數(shù)都是常用的，有些參數(shù)很少用到！

代碼示例

先來看一下數(shù)據(jù)源

df_f = pd.read_excel(r"D:\data\football\球隊(duì)排名比分2019.xlsx")
df_f

讀入的數(shù)據(jù)是2019年英超各球隊(duì)的積分：

進(jìn)行分箱

bins取整數(shù)，即指定箱子個(gè)數(shù)

我們對(duì)積分?jǐn)?shù)據(jù)進(jìn)行分箱，先來最簡(jiǎn)單的：

pd.cut(df_f.積分,bins=3,labels=["低","中","高"]) #分成3箱并指定標(biāo)簽

分箱結(jié)果：

0     高
1     高
2     中
3     中
4     中
5     中
6     中
7     中
8     低
9     低
10    低
11    低
12    低
13    低
14    低
15    低
16    低
17    低
18    低
19    低
Name: 積分, dtype: category
Categories (3, object): [低 < 中 < 高]

直接指定箱子個(gè)數(shù)，分成等寬的3份，感興趣的同學(xué)可以求一下每個(gè)箱子內(nèi)的極值，應(yīng)該是約相等的。

前邊有提到，這種分箱方式看不到分界值是多少，但是可以通過參數(shù)進(jìn)行設(shè)置顯示分界值：

pd.cut(df_f.積分,3,labels=["低","中","高"],retbins=True) #retbins=True顯示分界值

分箱結(jié)果：

(0     高
 1     高
 2     中
 3     中
 4     中
 5     中
 6     中
 7     中
 8     低
 9     低
 10    低
 11    低
 12    低
 13    低
 14    低
 15    低
 16    低
 17    低
 18    低
 19    低
 Name: 積分, dtype: category
 Categories (3, object): [低 < 中 < 高],
 array([13.953     , 29.66666667, 45.33333333, 61.        ]))

是不是能明顯的看出和上一次代碼結(jié)果相比多了一個(gè) array([13.953 , 29.66666667, 45.33333333, 61. ])，這就是分箱的分界值啦，我們就能知道分箱的時(shí)候是以那個(gè)數(shù)值作為分界點(diǎn)進(jìn)行分箱的了。

如果不指定每個(gè)箱子的標(biāo)簽是什么

pd.cut(df_f.積分,3,labels=False) #只顯示數(shù)據(jù)位于第幾個(gè)箱子里

分享結(jié)果：

0     2
1     2
2     1
3     1
4     1
5     1
6     1
7     1
8     0
9     0
10    0
11    0
12    0
13    0
14    0
15    0
16    0
17    0
18    0
19    0
Name: 積分, dtype: int64

只顯示每個(gè)位置上的數(shù)值屬于第幾個(gè)箱子

**bins取標(biāo)量序列 **

pd.cut(df_f.積分,[0,30,40,70],labels=["低","中","高"]) #默認(rèn)right = True

指定分箱時(shí)候的分界點(diǎn)，即030，3040，40~70一共三個(gè)箱體，有默認(rèn)的right = True，即分箱的時(shí)候，30包含在030的箱體中，40包含在3040的箱體中，70包含在40~70的箱體中，我們來看下結(jié)果，是不是和描述一致：

這里紅框部分是要和下邊更改參數(shù)right后的結(jié)果進(jìn)行對(duì)比的，我們來看下：

pd.cut(df_f.積分,[0,30,40,70],labels=["低","中","高"],right=False)

分箱結(jié)果：

能夠看到，right參數(shù)設(shè)置對(duì)分箱結(jié)果的影響。為什么會(huì)有這樣的影響呢？我們回顧下我們的原數(shù)據(jù)：

能夠發(fā)現(xiàn)分享發(fā)生變化的數(shù)值正好是我們分箱的臨界值，可以通過參數(shù)進(jìn)行設(shè)置臨界值被劃分到哪一邊的箱體中。

如果需要將分箱的結(jié)果展示在原數(shù)據(jù)框中，直接賦值一列進(jìn)去就可以了：

df_f.loc[:,"積分等級(jí)"]=pd.cut(df_f.積分,[0,30,40,70],labels=["低","中","高"],right=False)
df_f

結(jié)果如下：

方法二：pd.qcut()

pd.qcut()也可以對(duì)數(shù)據(jù)進(jìn)行分箱，那么和pd.cut()相比，pd.qcut()有什么不同呢？

試想一下如果我們有一個(gè)很大的數(shù)據(jù)集，需要對(duì)其中一項(xiàng)進(jìn)行分箱，分箱的依據(jù)不是單純的等寬箱體或者沒有確定的分解值，而是按照分位數(shù)進(jìn)行分箱，比如前四分之一的是一個(gè)箱體這種要求，用pd.cut()不是不能實(shí)現(xiàn)，只是比較麻煩，還要先計(jì)算分位數(shù)作為分解值。這個(gè)時(shí)候，pd.qcut()就方便很多了。

參數(shù)介紹

先看一下官方文檔給出的函數(shù)作用：

基于分位數(shù)的離散化功能。 將變量離散化為基于等級(jí)或樣本分位數(shù)的相等大小的存儲(chǔ)桶。

再來看一下這個(gè)函數(shù)都包含有哪些參數(shù)，主要參數(shù)的含義與作用都是什么？

和pd.cut()相比，pd.qcut()的參數(shù)少了兩個(gè)，少了right和include_lowest兩個(gè)參數(shù)，剩下的參數(shù)幾乎和pd.cut()一模一樣了。

pd.qcut(x, q, labels=None, retbins=False, precision=3, duplicates=‘raise’)

x ：一維數(shù)組或者Serise

q ： 表示分位數(shù)的整數(shù)或者數(shù)組，

• 如果是分位數(shù)的整數(shù)，例如10用于十分位，4用于四分位
• 如果是分位數(shù)數(shù)組，例如[0,0.25,0.5,0.75,1]用于四分位數(shù)

labels ： 數(shù)組或者布爾值，默認(rèn)為none，用于指定每個(gè)箱體的標(biāo)簽

• 如果是數(shù)組，長(zhǎng)度要與分箱個(gè)數(shù)一致，比如用四分位數(shù)分箱，需要指定四個(gè)標(biāo)簽
• 如果為False，則僅返回分箱的整數(shù)指示符，即當(dāng)前數(shù)據(jù)位于哪個(gè)箱子中

rebines ：布爾值，可選。 是否顯示分箱的分界值。（由于是按照分位數(shù)進(jìn)行分箱，在不知道分位數(shù)具體數(shù)值的情況下，可以通過這個(gè)參數(shù)設(shè)置顯示分界值即分位數(shù)的具體數(shù)值）

precision：整數(shù)，默認(rèn)3，存儲(chǔ)和顯示分箱標(biāo)簽的精度。

duplicates：如果分箱臨界值不唯一，則引發(fā)ValueError或丟棄非唯一

pd.qcut()的參數(shù)就是這些了，并不是所有的參數(shù)都常用，下邊我們通過代碼示例來看一下常用參數(shù)的應(yīng)用。

代碼示例

還是用原來的數(shù)據(jù)集

df_f = pd.read_excel(r"D:\data\football\球隊(duì)排名比分2019.xlsx")
df_f

參數(shù)q

參數(shù)q控制箱子的個(gè)數(shù)以及分界值，我們先來探索這個(gè)參數(shù)：

pd.qcut(df_f.積分,4,labels=["低","中","高","很高"])

q=4表示分成四個(gè)箱子，邊界值分別為四分位數(shù)，四分之二分位數(shù)和四分之三分位數(shù)，并給每個(gè)箱子都指定了標(biāo)簽，看下結(jié)果：

0     很高
1     很高
2     很高
3     很高
4     很高
5      高
6      高
7      高
8      高
9      中
10     中
11     中
12     中
13     中
14     中
15     低
16     低
17     低
18     低
19     低
Name: 積分, dtype: category
Categories (4, object): [低 < 中 < 高 < 很高]

再通過將q設(shè)置成數(shù)組看下分類結(jié)果是否一致：

pd.qcut(df_f.積分,[0,0.25,0.5,0.75,1],labels=["低","中","高","很高"])

直接設(shè)置成四分位數(shù)，四分之二分位數(shù)和四分之三分位數(shù)，看下結(jié)果：

0     很高
1     很高
2     很高
3     很高
4     很高
5      高
6      高
7      高
8      高
9      中
10     中
11     中
12     中
13     中
14     中
15     低
16     低
17     低
18     低
19     低
Name: 積分, dtype: category
Categories (4, object): [低 < 中 < 高 < 很高]

結(jié)果是完全一致的。

溫馨提示：不管是pd.cut()還是pd.qcut()，如果直接指定分箱的分界值，即bines和q的取值如果是數(shù)字，一定要把每一個(gè)箱體的上分界值和下分界值都寫上，即每個(gè)箱體都是有上下限的，如果分四個(gè)箱子參數(shù)數(shù)組中比如有5個(gè)數(shù)值才可以。

參數(shù)lsbels

探索完q參數(shù)我們來看下labels參數(shù)，這個(gè)參數(shù)在介紹pd.cut()時(shí)沒有具體探討，其實(shí)在兩個(gè)函數(shù)中，labels的作用是一致的，我們?cè)诖搜芯恳幌?，上邊例子中l(wèi)abels都指定了標(biāo)簽名字，如果不指定，會(huì)有怎樣的結(jié)果呢？

pd.qcut(df_f.積分,4)

結(jié)果如下：

0       (32.5, 61.0]
1       (32.5, 61.0]
2       (32.5, 61.0]
3       (32.5, 61.0]
4       (32.5, 61.0]
5       (28.0, 32.5]
6       (28.0, 32.5]
7       (28.0, 32.5]
8       (28.0, 32.5]
9       (23.5, 28.0]
10      (23.5, 28.0]
11      (23.5, 28.0]
12      (23.5, 28.0]
13      (23.5, 28.0]
14      (23.5, 28.0]
15    (13.999, 23.5]
16    (13.999, 23.5]
17    (13.999, 23.5]
18    (13.999, 23.5]
19    (13.999, 23.5]
Name: 積分, dtype: category
Categories (4, interval[float64]): [(13.999, 23.5] < (23.5, 28.0] < (28.0, 32.5] < (32.5, 61.0]]

如果不指定labels，也就是說每個(gè)箱體都沒有名字，那么只好把箱體展現(xiàn)出來，即顯示每個(gè)箱體的兩個(gè)臨界值，至于要不要設(shè)置labels，視情況需求而定哦！

參數(shù)rebines

這個(gè)參數(shù)的作用是顯示箱體的分界值：

pd.qcut(df_f.積分,4,labels=["低","中","高","很高"],retbins=True)

查看結(jié)果，和上邊沒有設(shè)置這個(gè)參數(shù)的結(jié)果做一下對(duì)比就可以發(fā)現(xiàn)該參數(shù)的作用了：

(0     很高
 1     很高
 2     很高
 3     很高
 4     很高
 5      高
 6      高
 7      高
 8      高
 9      中
 10     中
 11     中
 12     中
 13     中
 14     中
 15     低
 16     低
 17     低
 18     低
 19     低
 Name: 積分, dtype: category
 Categories (4, object): [低 < 中 < 高 < 很高],
 array([14. , 23.5, 28. , 32.5, 61. ]))

最后位置多了一個(gè)數(shù)組，數(shù)組內(nèi)就是每個(gè)箱體的分界值了。

文章開頭提到pd.qcut()比pd.cut()少兩個(gè)參數(shù)，少的參數(shù)是控制分界值被分到哪個(gè)箱子的，按分位數(shù)分箱不能控制分界值被分到哪里，顯示分界值后能夠發(fā)現(xiàn)，每個(gè)箱體的數(shù)值是包含上分界值的。

再看一眼原數(shù)據(jù)：

其中28是一個(gè)第二個(gè)箱體的上限，即標(biāo)簽為“中”的箱體，而在分箱的時(shí)候，數(shù)值為28的球隊(duì)都被分到了標(biāo)簽為“中”的箱體中，這個(gè)小細(xì)節(jié)可能很容易被忽視掉，這里做一下小提醒。

關(guān)于分箱的函數(shù)介紹到這里，大家能夠區(qū)分并根據(jù)實(shí)際需求靈活運(yùn)用pd.qcut()和pd.cut()了嗎？

小伙伴們還有哪些疑問或者新發(fā)現(xiàn)歡迎一起討論哦！