Python Pandas 使用 pd.qcut 创建新的 bin/bucket 变量

Posted 2023-02-18

【中文标题】Python Pandas 使用 pd.qcut 创建新的 bin/bucket 变量

【英文标题】：Python Pandas Create New Bin/Bucket Variable with pd.qcut

【发布时间】：2015-04-11 03:41:02

【问题描述】：

如何在 python 中使用 pd.qut 创建一个新的 Bin/Bucket 变量？

这对于有经验的用户来说可能看起来很初级，但我对此并不是很清楚，而且在堆栈溢出/谷歌上搜索令人惊讶地不直观。一些彻底的搜索得到了这个（Assignment of qcut as new column），但它并没有完全回答我的问题，因为它没有采取最后一步并将所有内容放入垃圾箱（即 1,2，...）。

【参考方案1】：

在 Pandas 0.15.0 或更高版本中，pd.qcut 将返回一个系列，如果输入是系列（在您的情况下是这样）或 labels=False，则不是分类。如果您设置labels=False，那么qcut 将返回一个Series，其中bin 的整数指示符作为值。

所以为了让你的代码适应未来，你可以使用

data3['bins_spd'] = pd.qcut(data3['spd_pct'], 5, labels=False)

或者，将一个 NumPy 数组传递给pd.qcut，这样你就可以得到一个分类作为返回值。 请注意，分类属性 labels is deprecated。请改用codes：

data3['bins_spd'] = pd.qcut(data3['spd_pct'].values, 5).codes

【讨论】：

太棒了！我没有意识到这一点。感谢您指出这一点。

【参考方案2】：

编辑：以下答案仅对小于 0.15.0 的 Pandas 版本有效。如果您运行的是 Pandas 15 或更高版本，请参阅：

data3['bins_spd'] = pd.qcut(data3['spd_pct'], 5, labels=False)

感谢@unutbu 指出。 :)

假设您有一些要分箱的数据，在我的情况下，选项是分散的，并且您想使用与每个观察对应的存储桶创建一个新变量。上面提到的链接，您可以通过以下方式执行此操作：

print pd.qcut(data3['spd_pct'], 40)

(0.087, 0.146]
(0.0548, 0.087]
(0.146, 0.5]
(0.146, 0.5]
(0.087, 0.146]
(0.0548, 0.087]
(0.5, 2]

它为您提供与每个观察对应的 bin 端点。但是，如果您想要每个观察值对应的 bin 编号，则可以这样做：

print pd.qcut(data3['spd_pct'],5).labels

[2 1 3 ..., 0 1 4] 

如果您想创建一个仅包含 bin 编号的新变量，那么将它们放在一起就足够了：

data3['bins_spd']=pd.qcut(data3['spd_pct'],5).labels

print data3.head()

   secid      date    symbol  symbol_flag     exdate   last_date cp_flag  0   5005  1/2/1997  099F2.37            0  1/18/1997         NaN       P   
1   5005  1/2/1997  09B0B.1B            0  2/22/1997   12/3/1996       P   
2   5005  1/2/1997  09B7C.2F            0  2/22/1997  12/11/1996       P   
3   5005  1/2/1997  09EE6.6E            0  1/18/1997  12/27/1996       C   
4   5005  1/2/1997  09F2F.CE            0  8/16/1997         NaN       P   

   strike_price  best_bid  best_offer     ...      close  volume_y    return  0          7500     2.875      3.2500     ...        4.5     99200  0.074627   
1         10000     5.375      5.7500     ...        4.5     99200  0.074627   
2          5000     0.625      0.8750     ...        4.5     99200  0.074627   
3          5000     0.125      0.1875     ...        4.5     99200  0.074627   
4          7500     3.000      3.3750     ...        4.5     99200  0.074627   

   cfadj_y  open  cfret  shrout      mid   spd_pct  bins_spd  
0        1   4.5      1   57735  3.06250  0.122449         2  
1        1   4.5      1   57735  5.56250  0.067416         1  
2        1   4.5      1   57735  0.75000  0.333333         3  
3        1   4.5      1   57735  0.15625  0.400000         3  
4        1   4.5      1   57735  3.18750  0.117647         2  

[5 rows x 35 columns]

希望这对其他人有所帮助。至少现在应该更容易搜索。 :)