使用Pandas进行数值列分段：pd.cut详解-Python教程-PHP中文网

使用Pandas进行数值列分段：pd.cut详解

碧海醫心

发布： 2025-08-12 23:04:26

原创

614人浏览过

使用Pandas进行数值列分段：pd.cut详解

本教程详细介绍了如何使用Pandas库中的pd.cut函数，将DataFrame中的数值列高效且灵活地划分到自定义区间。通过指定分界点（bins）、区间开闭规则（right参数）和自定义标签（labels），pd.cut能够帮助用户轻松实现数据分箱，避免了手动逻辑判断的复杂性和潜在错误，尤其适用于创建如x

在数据分析和预处理中，经常需要将连续的数值数据离散化，即将其划分为不同的区间或类别。例如，将销售额划分为“低”、“中”、“高”三个等级，或者将年龄划分为“儿童”、“青少年”、“成年”等组。手动编写一系列的if-elif条件判断虽然可以实现这一目标，但当区间复杂、数据量大或需要动态调整时，这种方法会变得冗长、易错且难以维护。pandas库提供了pd.cut函数，专为解决此类问题而设计，它提供了一种简洁、高效且鲁棒的方式来执行数值分箱操作。

pd.cut 函数概述

pd.cut函数用于将数值数据划分为离散的区间。它接受一个一维数组（Series或list-like）作为输入，并根据指定的分界点（bins）将其划分为不同的类别。其核心优势在于能够灵活定义分界点和区间标签，并处理各种边界情况。

核心参数详解

pd.cut函数有几个关键参数，理解它们对于正确使用该函数至关重要：

bins：定义分界点 这是pd.cut最重要的参数，它决定了如何划分数据。
- 整数： 如果bins是一个整数，pd.cut将数据范围等宽地划分为指定数量的区间。例如，bins=4会将数据从最小值到最大值等分为4个区间。
- 序列（list-like）： 如果bins是一个数值序列（如列表或NumPy数组），则这些数值将被用作区间的边界。例如，bins=[0, 15000, 30000, 45000]将创建三个区间：[0, 15000)、[15000, 30000)和[30000, 45000)（具体开闭取决于right参数）。这是实现自定义区间划分的关键。
right：区间开闭规则 这是一个布尔值，默认为True。
- right=True： 表示区间是右闭合的，即(a, b]。例如，bins=[0, 10, 20]会生成(0, 10]和(10, 20]这样的区间。
- right=False： 表示区间是右开的，即[a, b)。例如，bins=[0, 10, 20]会生成[0, 10)和[10, 20)这样的区间。这在需要明确排除上限值，或在多个区间中避免重复包含边界值时非常有用。
labels：自定义区间标签 此参数允许您为每个生成的区间分配有意义的名称。
- 如果labels是一个列表或数组，其长度必须比bins的数量少1（因为bins定义了边界，而标签对应的是区间）。
- 如果未指定labels，pd.cut将自动生成默认的区间表示，例如(0, 15000], (15000, 30000]等。
include_lowest：包含最小值 这是一个布尔值，默认为False。
- 当right=True时，如果include_lowest=True，则第一个区间的左边界（最小值）将被包含在内，形成[a, b]。
- 当right=False时，如果include_lowest=True，则第一个区间的左边界（最小值）将被包含在内，形成[a, b)。这对于确保数据中的最小值被正确归类到第一个区间非常有用。

实战示例

假设我们有一个包含数值列的DataFrame，我们希望将其划分为以下区间：x = 15000 and x = 30000 and x

import pandas as pd
import numpy as np

# 示例数据
data = [18511.18, 82000.0, 16313.97, 24771.96, 10930.93, 22163.14, 16586.07, 15766.2, 2953.53, 912.1,
        531.77, 6509.83, 8634.2, 10181.41, 1495.26, 6555.12, 10523.55, 22200.0, 20230.0, 18400.0,
        17999.56, 15807.29, 4794.6, 3679.48, 5667.89, 5296.92, 4848.96, 5997.53, 3286.98, 13258.53,
        15400.0, 10614.2, 12235.0, 2953.35, 9699.54, 14880.0, 6295.46, 10170.0, 6824.8, 4177.87,
        3005.95, 15186.45, 7649.42, 2432.2, 3081.8, 9065.42, 6033.63, 658.68, 12310.0, 650.73,
        2767.09, 9770.0, 6246.9, 2175.46, 2381.98, 12460.0, 1957.37, 2613.85, 2407.9, 4744.32,
        4415.23, 2143.3, 1141.28, 2000.38, 1676.95, 1377.39, 54.08, 6864.97, 81.56, 96.68,
        7583.0, 408.29, 1735.16, 272.49, 157.79, 689.56, 3586.12, 241.66, 103.98, 5620.0,
        411.42, 387.96, 815.18, 536.82, 3019.5, 160.92, 315.58, 256.23, 7063.96, 10200.0,
        244.01, 6199.32, 936.79, 5838.78, 8070.0, 8760.7, 4334.65, 2646.84, 900.38, 5197.19,
        5450.15, 5447.3, 4961.8, 2266.28, 1675.23, 6029.51, 2066.14, 4616.34, 1437.3, 4819.49,
        4470.0, 1860.66, 4040.11, 1502.95, 467.3, 251.98, 3200.53, 1499.83, 459.38, 4862.74,
        2171.43, 1237.1, 2067.19, 1202.94, 3830.47, 4228.93, 6100.0, 1229.15, 3513.0, 3050.0,
        3910.0, 510.05, 5201.09, 962.85, 603.92, 1237.42, 63.72, 2613.54, 319.45, 5415.0,
        1425.98, 5518.09, 3646.13, 2269.72, 2804.19, 1747.12, 2646.87, 284.56, 2135.46, 3602.5,
        4965.06, 508.76, 141.52, 214.94, 4320.0, 259.0, 295.75, 4955.0, 1379.58, 3730.45,
        6000.0, 523.05, 1310.22, 842.35, 3319.75, 2674.75, 141.2, 1877.21, 389.7, 5547.56,
        1030.0, 1206.64, 135.52, 1770.2, 4840.0, 687.53, 3412.44, 2972.23, 864.67, 3735.4,
        1135.16, 669.1, 501.3, 160.23, 200.19, 1015.28, 1100.0, 244.32, 496.95, 3209.62,
        1920.15, 1815.75, 2611.77, 2176.35, 1683.95, 4945.8, 781.36, 4005.25, 553.72, 514.29]

df = pd.DataFrame({"numerical_variable": data})

# 定义分界点和标签
# 注意：bins的第一个值应小于或等于数据最小值，最后一个值应大于或等于数据最大值
# 为了覆盖 x < 15000，我们将起始点设为0（或更小）
bins = [0, 15000, 30000, 45000, np.inf] # 使用np.inf表示正无穷，确保所有大于45000的值被捕获
labels = [
    "x < 15000",
    "x >= 15000 and x < 30000",
    "x >= 30000 and x < 45000",
    "x >= 45000" # 新增一个区间来覆盖大于45000的值
]

# 使用pd.cut进行分箱
# right=False 表示区间是左闭右开 [a, b)
# include_lowest=True 确保最小值（0）被包含在第一个区间内
df['FASCIA_IMPORTO'] = pd.cut(
    df['numerical_variable'],
    bins=bins,
    right=False,
    labels=labels,
    include_lowest=True # 确保数据中的最小值（例如，1）被包含在第一个区间 [0, 15000) 中
)

# 查看结果
print(df.head(10))
print("\n各区间分布统计：")
print(df['FASCIA_IMPORTO'].value_counts().sort_index())

登录后复制

示例输出（部分）:

   numerical_variable           FASCIA_IMPORTO
0            18511.18  x >= 15000 and x < 30000
1            82000.00               x >= 45000
2            16313.97  x >= 15000 and x < 30000
3            24771.96  x >= 15000 and x < 30000
4            10930.93                x < 15000
5            22163.14  x >= 15000 and x < 30000
6            16586.07  x >= 15000 and x < 30000
7            15766.20  x >= 15000 and x < 30000
8             2953.53                x < 15000
9              912.10                x < 15000

各区间分布统计：
FASCIA_IMPORTO
x < 15000                     167
x >= 15000 and x < 30000       12
x >= 30000 and x < 45000        0
x >= 45000                      1
Name: count, dtype: int64

登录后复制

从输出可以看出，即使存在某个区间（如x >= 30000 and x

pd.cut 的优势与注意事项

优势：

简洁与可读性： 相较于复杂的if-elif链，pd.cut一行代码即可完成分箱，大大提高了代码的简洁性和可读性。
鲁棒性： pd.cut内置了对各种边界情况和空区间的处理机制。当某个区间没有数据时，它会优雅地返回一个空类别，而不是引发错误，这避免了手动逻辑中常见的max()或min()在空Series上失败的问题。
效率： 对于大型数据集，pd.cut通常比基于循环或apply的自定义函数更高效，因为它在底层使用了优化的C实现。
灵活性： 通过bins、right、labels等参数的组合，可以满足几乎所有自定义分箱的需求。

注意事项：

bins的完整性： 确保bins序列覆盖了数据的所有可能范围。如果数据中存在小于第一个bin边界或大于最后一个bin边界的值，它们将被分配为NaN（除非通过include_lowest或扩展bins来处理）。在上述示例中，我们使用了0作为起始点和np.inf作为终点，以确保所有数据都被包含。
right参数的选择： 根据实际业务需求（是包含左边界还是右边界）正确设置right参数。例如，[10, 20)表示10包含在内，20不包含；(10, 20]表示10不包含，20包含。
labels与bins的数量： labels的数量必须比bins的数量少1。例如，5个bins定义了4个区间，因此需要4个labels。
处理NaN值： 默认情况下，pd.cut会将输入数据中的NaN值也映射为NaN。如果需要对NaN进行特殊处理（例如填充或单独归类），应在调用pd.cut之前进行。