使用 Python Pandas 对列进行分箱

Posted 2023-02-23

【中文标题】使用 Python Pandas 对列进行分箱

【英文标题】：Binning a column with Python Pandas

【发布时间】：2017-12-29 15:13:56

【问题描述】：

我有一个带有数值的数据框列：

df['percentage'].head()
46.5
44.2
100.0
42.12

我想将该列视为bin counts：

bins = [0, 1, 5, 10, 25, 50, 100]

我怎样才能将结果作为带有 值计数的 bin 获得？

[0, 1] bin amount
[1, 5] etc
[5, 10] etc
...

【参考方案1】：

使用Numba 模块加速。

在大型数据集（超过 500k）上，pd.cut 对数据进行分箱可能会很慢。

我用即时编译在 Numba 中编写了自己的函数，速度大约快 六倍：

from numba import njit

@njit
def cut(arr):
    bins = np.empty(arr.shape[0])
    for idx, x in enumerate(arr):
        if (x >= 0) & (x < 1):
            bins[idx] = 1
        elif (x >= 1) & (x < 5):
            bins[idx] = 2
        elif (x >= 5) & (x < 10):
            bins[idx] = 3
        elif (x >= 10) & (x < 25):
            bins[idx] = 4
        elif (x >= 25) & (x < 50):
            bins[idx] = 5
        elif (x >= 50) & (x < 100):
            bins[idx] = 6
        else:
            bins[idx] = 7

    return bins

cut(df['percentage'].to_numpy())

# array([5., 5., 7., 5.])

可选：您也可以将其作为字符串映射到 bin：

a = cut(df['percentage'].to_numpy())

conversion_dict = 1: 'bin1',
                   2: 'bin2',
                   3: 'bin3',
                   4: 'bin4',
                   5: 'bin5',
                   6: 'bin6',
                   7: 'bin7'

bins = list(map(conversion_dict.get, a))

# ['bin5', 'bin5', 'bin7', 'bin5']

---

速度对比：

# Create a dataframe of 8 million rows for testing
dfbig = pd.concat([df]*2000000, ignore_index=True)

dfbig.shape

# (8000000, 1)

%%timeit
cut(dfbig['percentage'].to_numpy())

# 38 ms ± 616 µs per loop (mean ± standard deviation of 7 runs, 10 loops each)

%%timeit
bins = [0, 1, 5, 10, 25, 50, 100]
labels = [1,2,3,4,5,6]
pd.cut(dfbig['percentage'], bins=bins, labels=labels)

# 215 ms ± 9.76 ms per loop (mean ± standard deviation of 7 runs, 10 loops each)

【参考方案2】：

你可以使用pandas.cut:

bins = [0, 1, 5, 10, 25, 50, 100]
df['binned'] = pd.cut(df['percentage'], bins)
print (df)
   percentage     binned
0       46.50   (25, 50]
1       44.20   (25, 50]
2      100.00  (50, 100]
3       42.12   (25, 50]

---

bins = [0, 1, 5, 10, 25, 50, 100]
labels = [1,2,3,4,5,6]
df['binned'] = pd.cut(df['percentage'], bins=bins, labels=labels)
print (df)
   percentage binned
0       46.50      5
1       44.20      5
2      100.00      6
3       42.12      5

或numpy.searchsorted:

bins = [0, 1, 5, 10, 25, 50, 100]
df['binned'] = np.searchsorted(bins, df['percentage'].values)
print (df)
   percentage  binned
0       46.50       5
1       44.20       5
2      100.00       6
3       42.12       5

---

...然后value_counts 或groupby 和聚合size：

s = pd.cut(df['percentage'], bins=bins).value_counts()
print (s)
(25, 50]     3
(50, 100]    1
(10, 25]     0
(5, 10]      0
(1, 5]       0
(0, 1]       0
Name: percentage, dtype: int64

---

s = df.groupby(pd.cut(df['percentage'], bins=bins)).size()
print (s)
percentage
(0, 1]       0
(1, 5]       0
(5, 10]      0
(10, 25]     0
(25, 50]     3
(50, 100]    1
dtype: int64

默认情况下cut 返回categorical。

Series 像 Series.value_counts() 这样的方法将使用所有类别，即使某些类别不存在于数据中，operations in categorical。

【讨论】：

如果没有bins = [0, 1, 5, 10, 25, 50, 100]，我可以说创建 5 个垃圾箱，它会按平均切割来切割吗？例如，我有 110 条记录，我想将它们分成 5 个 bin，每个 bin 有 22 条记录。

@qqqwww - 不知道是否理解，你认为qcut？ link

@qqqwww 要做到这一点，其页面中的 pd.cut 示例显示它： pd.cut(np.array([1, 7, 5, 4, 6, 3]), 3) 将将数组切成 3 等份。

@AyanMitra - 你觉得df.groupby(pd.cut(df['percentage'], bins=bins)).mean() 吗？

谢谢这个答案对我有帮助:)