在数据分析的过程中，经常会遇到：年龄，收入，价格以及类似的数据，在数据分析前，需要将这些数据划分到一系列区间中，再将区间进行不同的编码，对编码后的数据进行分析。
在pandas中可以使用pandas.cut()方法实现对数据的区间划分，以及对区间进行标记。
案例数据
以name,age,score为例，使用pandas.cut()方法对age、score进行区间划分。
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],
})数据形式展示：
| name | age | score |
0 | 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()介绍
用来将数据划分为不同的区间
x：array型数据 DataFrame每列数据都是array型数据
bins：传入int型数据，表示划分的区间个数，传入list型数据，表示自定义的区间
labels： 与bins对应区间的标签（默认为None）
retbins：True表示返回划分的区间，False表示不返回划分的区间（默认为False）
right：True表示左开右闭，False表示左闭右开（默认为True）
返回数据：
- x对应所在的区间，array类型
- retbins为True时，还会返回划分区间
自动划分区间
例如：bins=3,right=True,pandas会将数据划分为3个区间,划分方法,
(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,b = pd.cut(x=df["age"],bins=3,right=True,retbins=True)# a,bins传入的是int类型，自动生成的区间
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,自动划分的区间
array([11.927, 36.333, 60.667, 85.0])
自定义划分区间
eg：自定义一个年龄分段列表，age_bins = [10,20,30,50,70,80,90]
对应的区间为：[(10, 20] < (20, 30] < (30, 50] < (50, 70] < (70, 80] < (80, 90]]
这样pandas会按照age_bins指定的区间进行划分
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返回的数据区间array对象
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数据区间retbins=True
array([10, 20, 30, 50, 70, 80, 90])
案例区间左边是否包含
使用场景：当age为80的时候，应该归为(70,80]还是[80,90)，这是个问题
eg：bins = [10,20,30,50,70,80,90]，right=True
对应的区间为：[(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
对应的区间为：[[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]))
区间加上标签
使用labels参数可以对区间加上标签，例如score列，小于60为不及格，60-80良好，80以上优秀
eg:bins:[0,60,80,100],labels：["不及格","良好","优秀"]
返回的是对应的标签，而不是对应的区间
pd.cut(x=df.score,bins=[0,60,80,100],labels=["不及格","良好","优秀"]代码运行结果：
0 不及格
1 不及格
2 不及格
3 良好
4 不及格
5 优秀
6 优秀
7 优秀
8 不及格
9 不及格
Name: score, dtype: category
Categories (3, object): ['不及格' < '良好' < '优秀']
给数据加上区间和标签
回到最开始，给df数据加上age_range和score_label列。
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","优秀"])代码运行结果：
简要分析
统计各年龄段数量
df["age_range"].value_counts()
# 分析结果
(30, 50] 3
(50, 70] 2
(20, 30] 2
(80, 90] 1
(70, 80] 1
(10, 20] 1
Name: age_range, dtype: int64查看各年龄段分布情况
pd.pivot_table(data=df,index="age_range",columns="score_label",values="name",aggfunc=lambda x:len(x),fill_value=0)
# 分析结果
score_label 不及格 良好 优秀
age_range
(10, 20] 0 0 1
(20, 30] 2 0 0
(30, 50] 2 1 0
(50, 70] 1 0 1
(70, 80] 0 0 1
(80, 90] 1 0 0---END---
