python pd.qcut,pd.cut和pd.qcut
本文主要介绍python中pd.cut()和pd.qcut()的对比和例子。文章通过示例代码非常详细，对大家的学习或者工作都有一定的参考价值。有需要的朋友下面和边肖一起学习。
目录
1、pd.cut()2、pd.qcut()3、pd.cut() v.s. pd.qcut()
1、pd.cut()
用于根据值本身对数据值进行分段，并将其分类到箱中。
参数包括：x，bin，right，include _ lowest，labels，retbins，precision
x:分割后的数组
箱：划分的间隔/间隔数
-当bins为整数时，表示数组X被分成多少个等间距的区间；-当bins为序列时，表示数组X将被划分为指定的序列，否则输出NaN；# x=[1，2，3，5，3，4，1]，箱数=3
[In ] pd.cut(np.array([1，2，3，5，3，4，1])
[Out] [(0.996，2.333)，(0.996，2.333)，(2.333，3.667)，(3.667，5.0)，(2.333，3.667)，(3.667，5.0)，(0.996，2.333]]
类别(3，区间[float64]): [(0.996，2.333] (2.333，3.667)(3.667，5.0])
# x=[1，2，3，5，3，4，1]，箱=[1，2，3]
[In ] pd.cut(np.array([1，2，3，5，3，4，1])，[1，2，3])
[Out][南，(1.0，2.0)，(2.0，3.0)，南，(2.0，3.0)，南，南]
Categories (2，interval[int64]): [(1，2)(2，3]]
右：是否包含右终点；默认值为True；
Include_lowest:是否包含左端点，为False默认情况下；
# x=[1，2，3，5，3，4，1]，bin=[1，2，3]，默认值不包括左端点1，默认值包括右端点3。
[In ] pd.cut(np.array([1，2，3，5，3，4，1])，[1，2，3])
[Out][南，(1.0，2.0)，(2.0，3.0)，南，(2.0，3.0)，南，南]
Categories (2，interval[int64]): [(1，2)(2，3]]
# x=[1，2，3，5，3，4，1]，bin=[1，2，3]，设置包含左端点1，设置包含右端点3。
[In ] pd.cut(np.array([1，2，3，5，3，4，1])，[1，2，3]，include_lowest=True，right=False)
[Out] [[1.0，2.0]，[2.0，3.0]，楠，楠，楠，楠，[1.0，2.0]
类别(2，interval[int64]): [[1，2][2，3)]
标签:是否用标签替换返回的垃圾箱，默认值为False。如果需要标签，标签的数量要和箱柜的数量一致，要给标签分配一套列表；
# x=[1，2，3，5，3，4，1]，bins=3，设置用指定标签[A ， B ， C]返回的序列
[In ] pd.cut(np.array([1，2，3，5，3，4，1])，3，labels=[A ， B ， C])
[Out] [A，A，B，C，B，C，A]
类别(3，对象):
Retbins:是否返回间隔bins默认值为False，只返回x中每个值对应的bin列表；如果retbins=True，则返回容器列表和相应的容器。
# x=[1，2，3，5，3，4，1]，bins=3，对应的bin序列将与设置一起返回。
[In ] pd.cut(np.array([1，2，3，5，3，4，1])，3，retbins=True)
[Out] ([(0.996，2.333)，(0.996，2.333)，(2.333，3.667)，(3.667，5.0)，(2.333，3.667)，(3.667，5.0)，(0.996，2.333])
类别(3，区间[float64]): [(0.996，2.333] (2.333，3.667)(3.667，5.0]]，
数组([0.996，2.33333333，3.6666667，5。]))
Precision: precision，为区间边界值保留的小数位数。
# x=[1，2，3，5，3，4，1]，bins=3，精度为2。
[In ] pd.cut(np.array([1，2，3，5，3，4，1])，3，精度=2)
[Out] [(1.0，2.33)，(1.0，2.33)，(2.33，3.67)，(3.67，5.0)，(2.33，3.67)，(3.67，5.0)，(1.0，2.33]]
类别(3，区间[float64]): [(1.0，2.33)(2.33，3.67)(3.67，5.0])
2、pd.qcut()
基于分位数的离散化函数。根据秩或样本分位数(或样本值落在区间中的频率)，变量被分成大小相等的桶。
参数包括：x、q、标签、重箱、精度、副本
x、labels、retbins、precision与pd.cut()中参数的用法一致；Q:将序列X分成Q个区间，使落在每个区间内的值个数一致；重复：重复值处理；默认值是duplicates= raise ，这意味着重复值不会被忽略。若要忽略x中的重复值，请指定duplicates= drop 。
3、pd.cut() v.s. pd.qcut()
Pd.cut()将指定序列X划分为指定数量的相等区间(均匀分布的bin是根据值本身而不是这些值的频率来选择的)，或者pd.qcut()将指定序列X划分为Q个区间，使得落在每个区间内的记录数是一致的[in] ll=[1，2，3，5，3，4，1。
Print( - pd.cut()示例1-)
print(pd.cut(ll，4，precision=2)。value_counts())
Print( - pd.cut()示例2-)
print(pd.cut(ll，[1，2，4]，precision=2)。value_counts())
Print( - pd.qcut()示例-)
print(pd.qcut(ll，4，precision=2)。value_counts())
[out]-PD.cut()示例1-
(1.0, 2.0] 4
(2.0, 3.0] 2
(3.0, 4.0] 1
(4.0, 5.0] 1
dtype: int64
- pd.cut()示例2-
(1, 2] 2
(2, 4] 3
dtype: int64
-PD . q cut()的示例-
(0.99, 1.75] 2
(1.75, 2.5] 2
(2.5, 3.25] 2
(3.25, 5.0] 2
dtype: int64
关于python中pd.cut()和pd.qcut()的对比和例子的文章到此为止。有关python pd.cut()和pd.qcut()的更多信息，请搜索热门IT软件开发工作室之前的文章或继续浏览下面的相关文章。希望大家以后多多支持热门IT软件开发工作室！
郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。