基于python cut和qcut的用法及区别详解
我就废话不多说了，直接上代码吧：
frompandasimportSeries,DataFrame
importpandasaspd
importnumpyasnp
fromnumpyimportnanasNA
frommatplotlibimportpyplotasplt
ages=[20,22,25,27,21,23,37,31,61,45,41,32]
#将所有的ages进行分组
bins=[18,25,35,60,100]
#使用pandas中的cut对年龄数据进行分组
cats=pd.cut(ages,bins)
#print(cats)
#调用pd.value_counts方法统计每个区间的个数
number=pd.value_counts(cats)
#print(pd.value_counts(cats))
#显示第几个区间index值
index=pd.cut(ages,bins).codes
#print(index)
#为分类出来的每一组年龄加上标签
group_names=["Youth","YouthAdult","MiddleAged","Senior"]
personType=pd.cut(ages,bins,labels=group_names)
#print(personType)
plt.hist(personType)
#plt.show()
#cut和qcut的用法
data=[1,2,3,4,5,6,7,8,9,10]
result=pd.qcut(data,4)
print('',result)##qcut会将10个数据进行排序，然后再将data数据均分成四组
#统计落在每个区间的元素个数
print('dasdasdasdasdas:',pd.value_counts(result))
#qcut:跟cut一样也可以自定义分位数（0到1之间的数值，包括端点）
results=pd.qcut(data,[0,0.1,0.5,0.9,1])
print('results:',results)
importnumpyasnp importpandasaspd data=np.random.rand(20) print(data) #用cut函数将一组数据分割成n份 #cut函数分割的方式：数据里的（最大值-最小值）/n=每个区间的间距 #利用数据中最大值和最小值的差除以分组数作为每一组数据的区间范围的差值 result=pd.cut(data,4,precision=2)#precision保留小数点的有效位数 print(result) res_data=pd.value_counts(result) print(res_data)
以上这篇基于pythoncut和qcut的用法及区别详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持毛票票。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：czq8825#qq.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。