在数据框中对一个列的数据进行分类。

Question

我有一个数据框中的一列数字，我想把这些数字分为高、低、排除等类别。我该如何实现这个目标呢？我很困惑，我试过使用cut函数和category数据类型，但不知道怎么操作。

- Nathaniel Babalola

---

没有，我必须使用NumPy吗？我认为Pandas应该可以做到。 - Nathaniel Babalola

抱歉，我在回答后删除了评论。是的，你可以使用pandas。 - draco_alpine

如果我理解正确，cut 应该可以胜任这个工作。你可以将 bins（箱子边缘）的数组和箱子的 labels 传递给它。在文档中有一个例子。 - ptrj

我之前确实看过cut函数，但是感到很困惑，无法理解。 - Nathaniel Babalola

Answer 1

使用pd.cut的一个简短示例。

我们从一些数据框开始：

df = pd.DataFrame({'A': [0, 8, 2, 5, 9, 15, 1]})

假设我们想将数字分配到以下类别中：'low'表示数字在区间[0, 2]内，'mid'表示数字在区间(2, 8]内，'high'表示数字在区间(8, 10]内，我们排除10以上（或0以下）的数字。

因此，我们有3个具有边缘值的箱子：0、2、8、10。现在，我们可以使用cut如下：

pd.cut(df['A'], bins=[0, 2, 8, 10], include_lowest=True)
Out[33]: 
0     [0, 2]
1     (2, 8]
2     [0, 2]
3     (2, 8]
4    (8, 10]
5        NaN
6     [0, 2]
Name: A, dtype: category
Categories (3, object): [[0, 2] < (2, 8] < (8, 10]]

参数 include_lowest=True 包括第一个区间的左端点。(如果你想要右侧开放的区间，则使用 right=False。)

可能不是最好的方案，将区间名称改为low/mid/high:

pd.cut(df['A'], bins=[0, 2, 8, 10], include_lowest=True, labels=['low', 'mid', 'high'])
Out[34]: 
0     low
1     mid
2     low
3     mid
4    high
5     NaN
6     low
Name: A, dtype: category
Categories (3, object): [low < mid < high]

被排除的数字15会被赋予“类别”NaN。如果你喜欢更有意义的名称，可能最简单的解决方案（还有其他处理NaN的方法）是添加另一个区间(bin)和一个类别名称，例如：

pd.cut(df['A'], bins=[0, 2, 8, 10, 1000], include_lowest=True, labels=['low', 'mid', 'high', 'excluded'])
Out[35]: 
0         low
1         mid
2         low
3         mid
4        high
5    excluded
6         low
Name: A, dtype: category
Categories (4, object): [low < mid < high < excluded]

- ptrj

---

我现在明白这个例子了，非常有帮助。祝福。 - Nathaniel Babalola

Answer 2

这个问题比较广泛，但是一个好的起点可能是文档中的这个页面：

http://pandas.pydata.org/pandas-docs/stable/indexing.html#boolean-indexing

或者你可以研究一下numpy.where

    import numpy as np
    df['is_high'] = np.where(df.['column_of_interest'] > 5 ,1,0) 

- draco_alpine

---

好的，我会检查一下。虽然我认为Pandas应该能够在不使用NumPy的情况下完成它。 - Nathaniel Babalola

我检查过了，我的输出是布尔值，然后我执行了以下操作：high = result['Traded Value'] > 2.983150e+09，接着 print result[high] 输出的结果符合我的期望（显示大于该值的数字）。然后我尝试将结果添加到我的数据框中的新列中，使用 result = result.assign(high=high.values)，但是当我显示数据框时，这个新列变成了布尔值，而不是数值型的数值……让我很困惑，不知道该怎么办。 - Nathaniel Babalola

使用我提供的文档中的数据，您可以使用以下代码：df['A_column_high_values'] = df.A[df['A']>10]。这将为您提供一个列，其中包含'A'的值（如果大于10）和NaN（否则）。 - draco_alpine

是的，它是不同的，但当我提出问题时，我从未知道我的输出将是布尔值，实际上在添加新列时需要数值。 - Nathaniel Babalola

所以我认为第二条评论会满足你的需求。 - draco_alpine