本文介绍了如何使用 Pandas 库将包含年龄信息的数值数据划分到预定义的分类区间中，例如 'unknown'、'17 and under'、'18-25' 等。重点讲解了处理缺失值和非数值数据，以及如何创建和排序分类变量，提供清晰的代码示例和解释，帮助读者掌握 Pandas 中 pd.cut 函数的灵活运用。
在数据分析中，经常需要将连续的数值数据转换为离散的分类数据，这有助于简化分析、提高模型的可解释性。 Pandas 提供了 pd.cut 函数，可以方便地实现这一目标。 本教程将以年龄数据为例，演示如何使用 pd.cut 将年龄划分到不同的年龄段。
数据准备
首先，我们需要准备一些包含年龄数据的数据。 为了演示，我们创建一个简单的 Pandas DataFrame：
import pandas as pd
data = {'age': ['45-55', '20', '56', '35', None, 'sixty-nine']}
df = pd.DataFrame(data)
print(df)输出：
age 0 45-55 1 20 2 56 3 35 4 None 5 sixty-nine
定义分类区间和标签
接下来，我们需要定义年龄段的分类区间和对应的标签。 根据需求，我们将年龄划分为以下几个区间：
- unknown
- 17 and under
- 18-25
- 26-35
- 36-45
- 46-55
- 56+
定义分类区间和标签的代码如下：
bins = [-float('inf'), -1, 17, 25, 35, 45, 55, float('inf')]
labels = ['unknown', '17 and under', '18-25', '26-35', '36-45', '46-55', '56+']- bins：定义了分类区间的边界。 -float('inf') 表示负无穷，float('inf') 表示正无穷。 注意：增加一个-1作为边界，用于将无法转换成数字的年龄值划分到'unknown'。
- labels：定义了每个分类区间对应的标签。
使用 pd.cut 进行分类
现在，我们可以使用 pd.cut 函数将年龄数据划分到指定的分类区间中：
df['age_cat'] = pd.cut(pd.to_numeric(df['age'], errors='coerce'),
bins=bins, labels=labels)\
.fillna('unknown')
print(df)输出：
age age_cat 0 45-55 unknown 1 20 18-25 2 56 56+ 3 35 26-35 4 None unknown 5 sixty-nine unknown
- pd.to_numeric(df['age'], errors='coerce')：将 age 列转换为数值类型。 errors='coerce' 表示如果遇到无法转换的值，则将其转换为 NaN。
- pd.cut(...)：将数值型的年龄数据划分到指定的分类区间中，并使用定义的标签进行标记。
- .fillna('unknown')：将所有 NaN 值（由于无法转换为数值或者超出区间范围）替换为 'unknown'。
调整分类变量的顺序
最后，如果需要调整分类变量的顺序，可以使用 pd.Categorical 函数：
df['age_cat'] = pd.Categorical(df['age_cat'], categories=['unknown', '17 and under', '18-25', '26-35', '36-45', '46-55', '56+'], ordered=False) print(df['age_cat'].dtype) print(df['age_cat'])
输出：
category 0 unknown 1 18-25 2 56+ 3 26-35 4 unknown 5 unknown Name: age_cat, dtype: category Categories (7, object): ['unknown', '17 and under', '18-25', '26-35', '36-45', '46-55', '56+']
- pd.Categorical(...)：将 age_cat 列转换为分类类型，并指定分类变量的顺序。
- ordered=False：表示分类变量是无序的。
总结
本教程介绍了如何使用 Pandas 的 pd.cut 函数将数值数据划分到指定的分类区间中。 通过定义分类区间和标签，并结合 pd.to_numeric 和 fillna 函数，可以灵活地处理缺失值和非数值数据，最终得到符合需求的分类数据。 掌握这些技巧，可以更好地进行数据分析和建模。
注意事项：
- bins 的长度必须比 labels 的长度大 1，因为 bins 定义的是区间的边界，而 labels 定义的是区间的名称。
- 确保 errors='coerce' 参数被正确使用，以便将无法转换为数值的值转换为 NaN。
- 根据实际需求选择合适的分类区间和标签。
- 使用 pd.Categorical 函数可以方便地调整分类变量的顺序。
