Python Pandas.cut函数解析与实战教程

Python Pandas.cut 函数解析与实战教程

摘要

pandas.cut 是数据分析工具库 Pandas 中一个极其强大且常用的函数。它的核心功能是将连续的数值型数据根据指定的间断点（bins）进行分割，转换成离散化的区间类别（categorical data）。这种操作在数据预处理、特征工程和数据可视化中至关重要，例如，将用户的年龄分段、将考试分数评级、或将销售额划分为不同的等级。本文章将从基础用法到高级技巧，全面、深入地剖析 pandas.cut 函数，帮助你在数据分析项目中游刃有余。

1. 函数核心功能与参数详解

首先，我们来看一下 pandas.cut 函数的官方签名，并逐一解析其参数。

pandas.cut(x,bins,right: bool = True,labels=None,retbins: bool = False,precision: int = 3,include_lowest: bool = False,duplicates: str = 'raise',ordered: bool = True
)

1.1 x

类型: 一维数组（array-like），如 pandas.Series, numpy.ndarray, 或 Python 列表。
说明: 这是需要进行分箱操作的输入数据。cut 函数会逐一判断 x 中的每个元素应归属哪个区间。

1.2 bins

类型: int, scalar sequence (如 list 或 numpy array), 或 pandas.IntervalIndex。
说明: 这是 cut 函数最核心的参数，它定义了分箱的规则。

• 整数: 如果 bins 是一个整数，cut 会在 x 的最小值和最大值之间生成等宽的区间。例如，bins=5 会将数据分成5个宽度相等的桶。

  import pandas as pd
  import numpy as np
  data = pd.Series(np.random.randn(20) * 100)
  # 将数据分为10个等宽的区间
  categories = pd.cut(data, 10)
  print(categories.value_counts())
  

• 标量序列: 这是最常用的方式，通过一个列表或数组来手动指定区间的边界。例如，bins=[0, 18, 40, 60, 100] 会生成以下几个区间：(0, 18], (18, 40], (40, 60], (60, 100] 。

  ages = pd.Series([1, 15, 25, 35, 45, 55, 65, 99])
  age_bins = [0, 18, 35, 60, 100]
  # 根据自定义边界进行分箱
  age_categories = pd.cut(ages, bins=age_bins)
  print(age_categories)
  # 输出:
  # 0      (0, 18]
  # 1      (0, 18]
  # 2     (18, 35]
  # 3     (35, 60]
  # 4     (35, 60]
  # 5     (35, 60]
  # 6    (60, 100]
  # 7    (60, 100]
  # dtype: category
  

1.3 right

类型: bool, 默认 True。
说明: 这个参数决定了区间的闭合方式。

• right=True (默认): 区间为左开右闭 (a, b]。这意味着值 a 不属于该区间，但值 b 属于。

• right=False: 区间为左闭右开 [a, b)。这意味着值 a 属于该区间，但值 b 不属于。

  data = pd.Series(