pandas基础：使用between方法进行数据分箱（Binning Data）

标签：pandas，between方法

有时候，我们需要执行数据分箱操作，pandas的between方法可以帮助我们实现这个目的。数据分箱（Databinning）是指我们将数据放入离散区间或段/箱的过程。

我们将创建一些随机样本，显示100人的年龄及其货币净值。然后，我们将按年龄将数据存储到不同的“存储箱”中。

import pandas as pd

import numpy as np

age= np.random.randint(0,121,size=100)

net_worth= np.random.randint(100,10000,size=100)

df= pd.DataFrame({'Age':age, 'Net_Worth':net_worth})

结果如下图1所示。

图1

pandas的between方法检查数据是否在两个值之间，其语法为：

between(left,right,inclusive=’both’)

其中，

• 参数left，分段/范围的下端点。
• 参数right，分段/范围的上端点。
• 参数inclusive，是否想要包括下端点和上端点，可以取下列值：both，neither，left或right。

该方法返回一个布尔索引，其中包含True和False值的列表。

让我们检查哪个记录的年龄介于0到20岁之间：

df['Age'].between(0,20, inclusive='right')

图2

可能注意到between方法实质上等同于：

(df['Age']> 0) & (df['Age'] <= 20)

图3

现在，可以借助布尔索引检查数据是否在一个分段内，还需要使用loc方法来访问/赋值符合条件的单个记录的值。注意，NaN值是因为尚未为其指定band列。

df.loc[df['Age'].between(left=0,right=20, inclusive='right'),

'band']= '(0, 20]'

图4

基本上，loc属性只返回与条件匹配的记录，即布尔索引中的True值。参见下面的示例，该示例仅返回0到20年前的记录。

df.loc[df['Age'].between(left=0,right=20,inclusive='right')]

图5

假设我们要将所有数据放入以下年龄段中。注：括号“（）”表示不包含，方括号“[]”表示包含，因此(0，20]是指从1岁到20岁。

(0,20]

(20,60]

(60,90]

(90,120]

代码：

#年龄间隔

age_band= [0,20,60,90,120]

#创建年龄段

age_bins= []

for i in range(4):

age_bins.append([age_band[i],age_band[i+1]])

[[0,20],[20,60], [60,90], [90,120]]

#分箱数据

for b in age_bins:

df.loc[df['Age'].between(left=b[0],right=b[1],inclusive='right'),'band']= f'({b[0]},{b[1]}]'

结果如下图6所示。

图6

不幸的是，使用between和loc方法无法轻松地将数据装箱。虽然使用循环并不太糟糕，但在处理大量的分箱时，这种方法可能会变得效率低下，因为需要将该过程重复N次（箱子数量）。获取分箱数据的一种更简单的方法是使用pandas的cut方法，具体参见：《Pandas基础：使用Cut方法进行数据分箱（Binning Data）》。

注：本文学习整理自pythoninoffice.com，供有兴趣的朋友参考。