使用`pandas.cut()`，如何获得整数箱并避免获得负的最低界限？

Question

我的数据框的最低值为零。我正在尝试使用

precision

的

include_lowest

和

pandas.cut()

参数，但我无法获得由整数组成的间隔，而不是带有一位小数的浮点数。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')

我尝试将

precision

设置为-1、0和1，但它们都输出一位十进制浮点数。

pandas.cut()

帮助确实提到 x-min 和 x-max 值扩展了 x-范围的 0.1%，但我认为

include_lowest

可能会以某种方式抑制这种行为。我当前的解决方法包括导入 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')

有没有办法直接用

pandas.cut()

获取非负整数作为区间边界而不使用numpy？

编辑：我刚刚注意到指定

right=False

会使最低间隔移动到0而不是-0.4。它似乎优先于

include_lowest

，因为更改后者与

right=False

结合使用不会产生任何明显的效果。以下间隔仍指定一位小数。

Answer 1

您应该专门设置

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

其他答案（包括OP的

np.histogram

解决方法）似乎都不再有效。他们有投票，所以我不确定这些年来是否发生了变化。

IntervalIndex

要求所有区间都同样闭合，因此

[0, 53]

不能与

(322, 376]

共存。

---

以下是基于重新标记方法的两种可行解决方案：

1. 没有numpy，重用

   pd.cut

   边缘作为

   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]
   

2. 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：仅更改标签，因此基础分箱仍将以 0.1% 的边距发生。

---

pointplot()

输出（从pandas 1.2.4开始）：

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

Answer 3

@joelostblom，你已经完成了大部分工作，而不是使用 numpy， 只需使用 pandas 已经提供的功能，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 4

您也可以拥有闭整数区间。让

nbins = 7

。

1. 找到要切割的边缘（Pandas 或 Numpy）。

   # NumPy
   edges = np.linspace(df.value.min(), df.value.max(), nbins + 1)
   edges[-1] += 1
   
   # Pandas
   float_binned, edges = pd.cut(df.value, bins=nbins, right=False, retbins=True)
   edges[-1] = df.values.max() + 1
   

   对于您的数据，这是：

   [  0.  ,  53.71, 107.43, 161.14, 214.86, 268.57, 322.29, 377.  ]

2. 从边缘开始形成闭合整数区间。

   edges = edges.round()  # optional, for more uniform length of intervals
   intervals = [pd.Interval(int(left), int(right) - 1, 'both')
                for left, right in zip(edges[:-1], edges[1:])]
   

   对于您的数据，这是：

   [[0, 53], [54, 106], [107, 160], [161, 214], [215, 268], [269, 321], [322, 376]]

3. 使用间隔切割数据。

   int_binned = pd.cut(df.value, intervals)
   

   对于您的数据，这是：

   0        [0, 53]
   1        [0, 53]
   2        [0, 53]
   ...
   45    [322, 376]
   46    [322, 376]
   47    [322, 376]
   Name: value, dtype: category
   Categories (7, interval[int64, both]): [[0, 53] < [54, 106] < [107, 160] < [161, 214] < [215, 268] < [269, 321] < [322, 376]]
   

然后你就可以制作你的情节了：

df['binned_value'] = int_binned
sns.pointplot(x='binned_value', y='value', data=df)
plt.xticks(rotation=30, ha='right')