Python分箱实战：3种分箱方法详解

        上一篇文章是对分箱的简单介绍（数据分箱：科学分类的简单指南），现在我们来学习他的代码是怎么实现的吧！

1. 分箱的Python代码实现

准备工作：安装库

如果你还没安装pandas和numpy，先运行以下命令安装：

pip install pandas numpy

示例1：等宽分箱（Equal Width Binning）

场景：把年龄分成3个等宽的组（比如0-30, 30-60, 60-90）。
数学逻辑：

宽度 = (最大值 - 最小值) / 箱数

import pandas as pd

# 示例数据
data = {'年龄': [15, 22, 34, 45, 60, 75, 88]}
df = pd.DataFrame(data)

# 等宽分箱：分3个箱
df['等宽分箱'] = pd.cut(df['年龄'], bins=3, labels=['青年', '中年', '老年'])

print(df)

输出：

关键参数：

• bins=3：分3个箱。

• labels=['青年', '中年', '老年']：自定义箱的标签。

示例2：等频分箱（Equal Frequency Binning）

场景：让每个箱里的数据量大致相同（比如分成3组，每组2-3人）。
数学逻辑：

• 用分位数（quantile）划分边界。

# 等频分箱：分3个箱
df['等频分箱'] = pd.qcut(df['年龄'], q=3, labels=['低龄', '中龄', '高龄'])

print(df)

输出：

关键参数：

• q=3：按3分位数分箱（即33.3%分位、66.6%分位）。

示例3：自定义边界分箱

场景：手动指定分箱边界（比如0-20=儿童，20-40=青年，40+=中年）。

# 自定义分箱边界
bins = [0, 20, 40, 100]
labels = ['儿童', '青年', '中年']

df['自定义分箱'] = pd.cut(df['年龄'], bins=bins, labels=labels)

print(df)

输出：

示例4：处理边界值（左闭右开 vs 左开右闭）

默认情况下，pd.cut是左闭右开（即 20 ≤ x < 40），但可以通过right=False调整为左开右闭。

# 左开右闭分箱（20 < x ≤ 40）
df['左开右闭分箱'] = pd.cut(df['年龄'], bins=[0, 20, 40, 100], labels=['A', 'B', 'C'], right=False)

print(df)

输出：

示例5：分箱后统计频数

想知道每个分箱里有多少数据？用value_counts：

# 统计等宽分箱的频数
print(df['等宽分箱'].value_counts())

# 输出：
# 青年    3
# 中年    2
# 老年    2

输出：

2. 注意事项

1. 缺失值处理：如果数据有NaN，分箱会报错，需要先填充或删除：

df['年龄'].fillna(df['年龄'].mean(), inplace=True)  # 用均值填充缺失值

1. 标签和边界对齐：labels的数量必须比bins少1（比如3个边界对应2个标签）。

2. 非数值数据：如果数据是文本（如"高/中/低"），需要先编码成数字再分箱。

3. 完整代码示例

import pandas as pd

# 数据
data = {'年龄': [15, 22, 34, 45, 60, 75, 88]}
df = pd.DataFrame(data)

# 等宽分箱
df['等宽分箱'] = pd.cut(df['年龄'], bins=3, labels=['青年', '中年', '老年'])

# 等频分箱
df['等频分箱'] = pd.qcut(df['年龄'], q=3, labels=['低龄', '中龄', '高龄'])

# 自定义分箱
df['自定义分箱'] = pd.cut(df['年龄'], bins=[0, 20, 40, 100], labels=['儿童', '青年', '中年'])

# 输出结果
print(df)

# 统计频数
print("\n等宽分箱频数:")
print(df['等宽分箱'].value_counts())

输出：

4. 数学小课堂

• 等宽分箱：类似于把一根绳子平均剪成几段。
  数学公式：宽度 = (max - min) / n

• 等频分箱：类似于按人数均分教室座位。
  数学概念：分位数（Quantile）