如何根据数值变量创建分类变量

Posted 2023-02-16

【中文标题】如何根据数值变量创建分类变量

【英文标题】：How to create categorical variable based on a numerical variable

【发布时间】：2015-12-14 12:54:51

【问题描述】：

我的 DataFrame 有一列：

import pandas as pd
list=[1,1,4,5,6,6,30,20,80,90]
df=pd.DataFrame('col1':list)

如何再添加一列“col2”，其中包含参考 col1 的分类信息：

if col1 > 0 and col1 <= 10 then col2 = 'xxx'
if col1 > 10 and col1 <= 50 then col2 = 'yyy'
if col1 > 50 then col2 = 'zzz'

【参考方案1】：

您可以按如下方式使用pd.cut：

df['col2'] = pd.cut(df['col1'], bins=[0, 10, 50, float('Inf')], labels=['xxx', 'yyy', 'zzz'])

输出：

   col1 col2
0     1  xxx
1     1  xxx
2     4  xxx
3     5  xxx
4     6  xxx
5     6  xxx
6    30  yyy
7    20  yyy
8    80  zzz
9    90  zzz

【讨论】：

这是一个比其他答案更好的解决方案，谢谢！

文档甚至说“当您需要将数据值分段和分类到 bin 中时使用 cut。”

【参考方案2】：

您可以先创建一个新列col2，然后根据条件更新其值：

df['col2'] = 'zzz'
df.loc[(df['col1'] > 0) & (df['col1'] <= 10), 'col2'] = 'xxx'
df.loc[(df['col1'] > 10) & (df['col1'] <= 50), 'col2'] = 'yyy'
print df

输出：

   col1 col2
0     1  xxx
1     1  xxx
2     4  xxx
3     5  xxx
4     6  xxx
5     6  xxx
6    30  yyy
7    20  yyy
8    80  zzz
9    90  zzz

或者，您也可以基于col1 列应用函数：

def func(x):
    if 0 < x <= 10:
        return 'xxx'
    elif 10 < x <= 50:
        return 'yyy'
    return 'zzz'

df['col2'] = df['col1'].apply(func)

这将产生相同的输出。

在这种情况下应该首选apply 方法，因为它更快：

%timeit run() # packaged to run the first approach
# 100 loops, best of 3: 3.28 ms per loop
%timeit df['col2'] = df['col1'].apply(func)
# 10000 loops, best of 3: 187 µs per loop

但是，当 DataFrame 的大小很大时，内置的矢量化操作（即使用掩码方法）可能会更快。

【参考方案3】：

2 种方式，使用一对loc 调用来屏蔽满足条件的行：

In [309]:
df.loc[(df['col1'] > 0) & (df['col1']<= 10), 'col2'] = 'xxx'
df.loc[(df['col1'] > 10) & (df['col1']<= 50), 'col2'] = 'yyy'
df.loc[df['col1'] > 50, 'col2'] = 'zzz'
df

Out[309]:
   col1 col2
0     1  xxx
1     1  xxx
2     4  xxx
3     5  xxx
4     6  xxx
5     6  xxx
6    30  yyy
7    20  yyy
8    80  zzz
9    90  zzz

或者使用嵌套的np.where：

In [310]:
df['col2'] = np.where((df['col1'] > 0) & (df['col1']<= 10), 'xxx', np.where((df['col1'] > 10) & (df['col1']<= 50), 'yyy', 'zzz'))
df

Out[310]:
   col1 col2
0     1  xxx
1     1  xxx
2     4  xxx
3     5  xxx
4     6  xxx
5     6  xxx
6    30  yyy
7    20  yyy
8    80  zzz
9    90  zzz