我们在进行建模的过程种，经常会遇到类似于年龄、收入这样连续的特征，可以把这些特征进行一定的处理，从而衍生出更多的特征。数据分箱是数据预处理的一种方式，我们将连续型的特征进行离散化。
例如：年龄这样的特征，我们可以按照常识进行分箱，
0-18岁：未成年人
18-60：青年人
60以上：老年人
pandas的cut方法可以实现数据分箱处理，可以指定给定的分箱区间，也可以不指定分割区间。
首先，生成15个随机数用于演示分箱：
import numpy as np
import pandas as pd
factors = np.random.randn(15) # 生成15个随机数
print(factors)
查看15个随机数：
array([ 2.30935086, -0.17740913, -0.48145306, 1.04689702, 0.90490781,
0.84329283, 0.98864297, -1.91172742, -0.45327318, -1.83906241,
0.55662469, -0.67727494, 0.71716876, 0.30296666, -0.51641444])
然后，使用pandas里的cut方法（不指定分箱区间）进行分箱
pd.cut(factors,3)
分箱结果如下：
[(0.902, 2.309], (-0.505, 0.902], (-0.505, 0.902], (0.902, 2.309], (0.902, 2.309],
..., (-0.505, 0.902], (-1.916, -0.505], (-0.505, 0.902], (-0.505, 0.902], (-1.916, -0.505]]
Length: 15
Categories (3, interval[float64]): [(-1.916, -0.505] < (-0.505, 0.902] < (0.902, 2.309]]
第一行显示每一个数所属的分箱区间，Categories 为每个分箱区间的范围，需要说明的是，该区间为先开后闭
使用pandas的cut方法（指定分箱区间），并指定分箱区间的别名
bins = [-2,0,1,10]
pd.cut(factors, bins, labels=['low','middle','high'])
分箱结果：
[high, low, low, high, middle, ..., middle, low, middle, middle, low]
Length: 15
Categories (3, object): [low < middle < high]
将factors按照给定区间分箱，并用labels的值替换原有的分箱区间，方便阅读
到这里就完美了吗？
并没有，pandas同时提供了qcut的方法，进行自动分箱，qcut根据数据进行等分
使用上面的数据进行举例
pd.qcut(factors,3,labels=['low','middle','high'])
分箱结果如下：
[high, middle, low, high, high, ..., middle, low, middle, middle, low]
Length: 15
Categories (3, object): [low < middle < high]
查看每个分箱的个数：
pd.qcut(factors,3).value_counts()
结果如下：
(-1.9129999999999998, -0.463] 5
(-0.463, 0.759] 5
(0.759, 2.309] 5
我们回头看一下，不指定分割范围的cut方法进行分割后，每个分箱的个数
pd.cut(factors,3).value_counts()
结果如下：
(-1.916, -0.505] 4
(-0.505, 0.902] 7
(0.902, 2.309] 4
从上述两个例子中，可以明显看出，cut方法会根据数据的取值区间进行等分，然后将数据进行分箱，每个分箱的元素个数可能不相等，而qcut方法则是每个分箱中的元素完全相等。
参考链接：
[1].What is the difference between pandas.qcut and pandas.cut?
网友评论