使用“pandas.cut()”，我如何获得整数分箱并避免获得负的最低限度？

Question

我的数据框的最低值为零。我正在尝试使用 pandas.cut() 的 precision 和 include_lowest 参数，但我无法获得由整数而不是带一位小数的浮点数组成的间隔。我也无法让最左边的间隔停在零。

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

sns.set(style='white', font_scale=1.3)

df = pd.DataFrame(range(0,389,8)[:-1], columns=['value'])
df['binned_df_pd'] = pd.cut(df.value, bins=7, precision=0, include_lowest=True)
sns.pointplot(x='binned_df_pd', y='value', data=df)
plt.xticks(rotation=30, ha='right')

我试过将precision设置为-1、0和1，但它们都输出一位小数浮点数。 pandas.cut() 帮助确实提到 x-min 和 x-max 值扩展了 x 范围的 0.1%，但我想也许 include_lowest 可以以某种方式抑制这种行为。我当前的解决方法涉及导入 numpy:

import numpy as np

bin_counts, edges = np.histogram(df.value, bins=7)
edges = [int(x) for x in edges]
df['binned_df_np'] = pd.cut(df.value, bins=edges, include_lowest=True)

sns.pointplot(x='binned_df_np', y='value', data=df)
plt.xticks(rotation=30, ha='right')

有没有办法不用numpy直接用pandas.cut()获取非负整数作为区间边界？

编辑： 我刚刚注意到指定 right=False 会使最低间隔变为 0 而不是 -0.4。它似乎优先于 include_lowest，因为改变后者与 right=False 结合没有任何可见的效果。以下区间仍指定一位小数。

Answer 1

你应该专门设置 labels 参数

准备工作：

lower, higher = df['value'].min(), df['value'].max()
n_bins = 7

建立标签：

edges = range(lower, higher, (higher - lower)/n_bins) # the number of edges is 8
lbs = ['(%d, %d]'%(edges[i], edges[i+1]) for i in range(len(edges)-1)]

设置标签：

df['binned_df_pd'] = pd.cut(df.value, bins=n_bins, labels=lbs, include_lowest=True)

Answer 2

@joelostblom，你已经完成了大部分工作，而不是使用 numpy，只需使用 pandas 已经提供的，即返回垃圾箱。

_, edges = pd.cut(df.value, bins=7, retbins=True)
edges = [int(x) for x in edges]
df['binned_df_np'] = pd.cut(df.value, bins=edges, include_lowest=True)

Answer 3

None 的其他答案（包括 OP 的 np.histogram 解决方法）似乎不再有效。他们有赞成票，所以我不确定这些年来是否发生了一些变化。

IntervalIndex 要求所有间隔完全相同，因此 [0, 53] 不能与 (322, 376].

共存

这里有两个基于重新标记方法的可行解决方案：

没有 numpy， 重用 pd.cut 边作为 pd.cut 标签

bins = 7

_, edges = pd.cut(df.value, bins=bins, retbins=True)
labels = [f'({abs(edges[i]):.0f}, {edges[i+1]:.0f}]' for i in range(bins)]

df['bin'] = pd.cut(df.value, bins=bins, labels=labels)

#     value         bin
# 1       8     (0, 53]
# 2      16     (0, 53]
# ..    ...         ...
# 45    360  (322, 376]
# 46    368  (322, 376]

使用 numpy， 将 np.linspace 边转换为 pd.cut 标签

bins = 7

edges = np.linspace(df.value.min(), df.value.max(), bins+1).astype(int)
labels = [f'({edges[i]}, {edges[i+1]}]' for i in range(bins)]

df['bin'] = pd.cut(df.value, bins=bins, labels=labels)

#     value         bin
# 1       8     (0, 53]
# 2      16     (0, 53]
# ..    ...         ...
# 45    360  (322, 376]
# 46    368  (322, 376]

注意：仅更改了标签，因此底层分箱仍将以 0.1% 的边距进行。

pointplot() 输出（从 pandas 1.2.4 开始）：

sns.pointplot(x='bin', y='value', data=df)
plt.xticks(rotation=30, ha='right')

使用“pandas.cut()”，我如何获得整数分箱并避免获得负的最低限度？

With `pandas.cut()`, how do I get integer bins and avoid getting a negative lowest bound?

python

intervals

bins

pandas

准备工作：

建立标签：

设置标签：