pandas qcut 和cut 详解

最新推荐文章于 2025-06-05 20:00:11 发布

原创最新推荐文章于 2025-06-05 20:00:11 发布 · 2k 阅读

本内容遵循CC 4.0 BY-SA版权协议

在机器学习中，pandas的qcut和cut常用于连续变量的离散化。二者区别在于分箱思路：qcut关注箱子容量，如等频分箱；cut关注箱子尺寸，如等距分箱。qcut支持指定分位数，cut可自定义边界。两者参数及返回值各有特点，如qcut的分位数参数q，cut的等距分箱设定。

在机器学习中，连续变量的离散化过程，一般用pandas的 qcut或者cut函数来进行分箱。

关于这两个函数的联系和区别，网上有各种说法，典型的有以下几种：

这些说法都是不准确或者不对的，归根结底来说，qcut和cut的区别，是分箱思路的不同。也就是分箱时，你关注的是箱子的容量(即箱子中样本的多少)，还是关注箱子的尺寸(即边界值，以及边界值之间的距离）。

如果关注的是箱子的容量，比如希望等频分箱，或者第一个箱子装50%，剩下的平分，那么就用qcut。
如果关注的是箱子的尺寸，比如0-100的装在一个箱子里面，100-200的装另外一个，或者说等距分箱，那么就用cut。

qcut 基于分位数的离散化方法
不仅可以等频分箱，而且可以指定每个箱子的分位数。

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

参数名	取值	说明
x	1d ndarray or Series	分箱对象数组
q	int or list-like of float	int:分位数，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:分位数数组，比如[0, .25, .5, .75, 1.] 必须在0，1之间取值
labels	array or False, default None	分箱的标签数组，False的时候返回代表分箱的整数
retbins	bool, optional	是否把分箱结果作为返回值。
precision	int, optional	精度
duplicates	{default ‘raise’, ‘drop’}, optional	如果分箱边界不是唯一的，指定raise ValueError ，或者是drop 非唯一值

返回值	取值	说明
out	Categorical or Series or array of integers if labels is False	如果x是series则out是category series，否则out是Categorical
bins	ndarray of floats	分位数数组，只有retbins 为True才返回

cut 基于箱子长度的离散化方法
不仅可以等距分箱，还可以指定每个箱子的边界，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)

参数名	取值	说明
x	1d ndarray or Series	分箱对象数组
bins	int, sequence of scalars, or IntervalIndex	int:指定等距分箱的箱子数量，同时最左或者最右边界再扩展0.1%(取决于right参数) sequence of scalars: IntervalIndex：指定分箱间隔值，不在间隔的样本数据都设为NaN
right	bool, default True	分箱是否包括最右侧的值
labels	array or False, default None	分箱的标签数组，False的时候返回代表分箱的整数
retbins	bool, optional	是否把分箱结果作为返回值。
precision	int, optional	精度
include_lowest	bool, default False	第一个分箱是否应该包括最小值
duplicates	{default ‘raise’, ‘drop’}, optional	如果分箱边界不是唯一的，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	说明
out	Categorical or Series or array of integers if labels is False	如果x是series则out是category series，否则out是Categorical
bins	ndarray of floats	分位数数组，只有retbins 为True才返回