pandas qcut 和cut 詳解

在機器學習中，連續變數的離散化過程，一般用pandas的 qcut或者cut函式來進行分箱。
關於這兩個函式的聯絡和區別，網上有各種說法，典型的有以下幾種：

• qcut用於指定箱子個數，cut用於指定分箱邊界。
• qcut用於等頻分箱，cut用於等距分箱。
• qcut用於值比較多的情況，cut用於值比較少。

這些說法都是不準確或者不對的，歸根結底來說，qcut和cut的區別，是分箱思路的不同。也就是分箱時，你關注的是箱子的容量(即箱子中樣本的多少)，還是關注箱子的尺寸(即邊界值，以及邊界值之間的距離）。

如果關注的是箱子的容量，比如希望等頻分箱，或者第一個箱子裝50%，剩下的平分，那麼就用qcut。
如果關注的是箱子的尺寸，比如0-100的裝在一個箱子裡面，100-200的裝另外一個，或者說等距分箱，那麼就用cut。

具體解釋下qcut和cut的各個引數以及返回值的含義。

qcut 基於分位數的離散化方法
不僅可以等頻分箱，而且可以指定每個箱子的分位數。

out, bins = pandas.qcut(x, q, labels=None, retbins=False, precision=3, duplicates=‘raise’)

引數名	取值	說明
x	1d ndarray or Series	分箱物件陣列
q	int or list-like of float	int:分位數，比如10代表按照10分位分箱，4代表按照4分位分箱。 list-like of float:分位數陣列，比如[0, .25, .5, .75, 1.] 必須在0，1之間取值
labels	array or False, default None	分箱的標籤陣列，False的時候返回代表分箱的整數
retbins	bool, optional	是否把分箱結果作為返回值。
precision	int, optional	精度
duplicates	{default ‘raise’, ‘drop’}, optional	如果分箱邊界不是唯一的，指定raise ValueError ，或者是drop 非唯一值

返回值	取值	說明
out	Categorical or Series or array of integers if labels is False	如果x是series則out是category series，否則out是Categorical
bins	ndarray of floats	分位數陣列，只有retbins 為True才返回

cut 基於箱子長度的離散化方法
不僅可以等距分箱，還可以指定每個箱子的邊界，甚至可以留白

out, bins = pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False, duplicates=‘raise’, ordered=True)

引數名	取值	說明
x	1d ndarray or Series	分箱物件陣列
bins	int, sequence of scalars, or IntervalIndex	int:指定等距分箱的箱子數量，同時最左或者最右邊界再擴充套件0.1%(取決於right引數) sequence of scalars: IntervalIndex：指定分箱間隔值，不在間隔的樣本資料都設為NaN
right	bool, default True	分箱是否包括最右側的值
labels	array or False, default None	分箱的標籤陣列，False的時候返回代表分箱的整數
retbins	bool, optional	是否把分箱結果作為返回值。
precision	int, optional	精度
include_lowest	bool, default False	第一個分箱是否應該包括最小值
duplicates	{default ‘raise’, ‘drop’}, optional	如果分箱邊界不是唯一的，指定raise ValueError ，或者是drop 非唯一值
ordered	bool, default True	返回值out是否被排序 New in version 1.1.0.

返回值	取值	說明
out	Categorical or Series or array of integers if labels is False	如果x是series則out是category series，否則out是Categorical
bins	ndarray of floats	分位數陣列，只有retbins 為True才返回