[Pandas技巧] 将一列杂乱数值按区间打标签

import pandas as pd

data = {'name':['Odin','Mark','Bob','Lee','Ruby','Rita'],
       'salary':[20500, 5000, 3500, 8000, 15000, 16500]}

df = pd.DataFrame(data)

bins = [0, 5000, 20000, 50000]
group_names = ['低','中','高']
df['categories'] = pd.cut(df['salary'], bins, labels=group_names)

源数据df

处理后的数据df

注意:bins和lables它们俩是一一对应的

categories取值判断条件:
0 < salary <= 5000,categories取值为'低'
5000 < salary <= 20000,categories取值为'中'
20000 < salary <= 50000,categories取值为'高' 

如果用apply函数替换上述操作，实现上述需求如下所示:

import pandas as pd
 
data = {'name':['Odin','Mark','Bob','Lee','Ruby','Rita'],
       'salary':[20500, 5000, 3500, 8000, 15000, 16500]}

df = pd.DataFrame(data)

def fn(row):
    if row['salary'] > 0 and row['salary'] <= 5000:
        return '低'
    if row['salary'] > 5000 and row['salary'] <= 20000:
        return '中'
    if row['salary'] > 20000 and row['salary'] <= 50000:
        return '高'

df['categories'] = df.apply(lambda row:fn(row), axis=1)

从上述可以看出，相对于使用apply函数，使用pd.cut()比较简约 

扩展补充:定界分箱pd.cut()

pd.cut()可以指定区间将数字进行划分

以下例子中的0、60、100三个值将数据划分成两个区间，从而将及格或者不及格分数进行划分:

import pandas as pd
 
df = pd.DataFrame([['liver','E',89,21,24,64],
                   ['Arry','C',36,37,37,57],
                   ['Ack','A',57,60,18,84],
                   ['Eorge','C',93,96,71,78],
                   ['Oah','D',65,49,61,86]
                  ], 
                   columns = ['name','team','Q1','Q2','Q3','Q4'])

# 将Q1成绩换60分及以上、60分以下进行分类
res1 = pd.cut(df.Q1, bins=[0, 60, 100])

df

res1

将分箱结果应用到groupby分组中

# Series使用
df.Q1.groupby(pd.cut(df.Q1, bins=[0, 60, 100])).count()

'''
Q1
(0, 60]      2
(60, 100]    3
Name: Q1, dtype: int64
'''

# DataFrame使用
df.groupby(pd.cut(df.Q1, bins=[0, 60, 100])).count()

'''
           name  team  Q1  Q2  Q3  Q4
Q1                                   
(0, 60]       2     2   2   2   2   2
(60, 100]     3     3   3   3   3   3
'''

以下显示了每个分组的数据，其他参数示例如下:

import pandas as pd
 
df = pd.DataFrame([['liver','E',89,21,24,64],
                   ['Arry','C',36,37,37,57],
                   ['Ack','A',57,60,18,84],
                   ['Eorge','C',93,96,71,78],
                   ['Oah','D',65,49,61,86]
                  ], 
                   columns = ['name','team','Q1','Q2','Q3','Q4'])

# 不显示区间，使用数字作为每个箱子的标签，形式如0，1，2...n
res2 = pd.cut(df.Q1, bins=[0, 60, 100], labels=False)

# 指定标签名
res3 = pd.cut(df.Q1, bins=[0, 60, 100], labels=['不及格','及格'])

# 包含最低部分
res4 = pd.cut(df.Q1, bins=[0, 60, 100], include_lowest=True)

# 是否为右闭区间，下例为[89,100)
res5 = pd.cut(df.Q1, bins=[0, 89, 100], right=False)

res2

res3

res4

res5