在 Python 中对 pandas 中的数据框进行分箱 [重复]

Question

鉴于 pandas 中的以下数据框：

import numpy as np
df = pandas.DataFrame({"a": np.random.random(100), "b": np.random.random(100), "id": np.arange(100)})

其中id 是由a 和b 值组成的每个点的ID，我如何将a 和b 分箱到一组指定的箱中（这样我就可以将a 和 b 在每个 bin 中的中值/平均值）？对于df 中的任何给定行，df 可能具有a 或b（或两者）的NaN 值。

这是一个使用 Joe Kington 的解决方案的更好的示例，它具有更真实的df。我不确定的是如何访问下面每个df.a 组的df.b 元素：

a = np.random.random(20)
df = pandas.DataFrame({"a": a, "b": a + 10})
# bins for df.a
bins = np.linspace(0, 1, 10)
# bin df according to a
groups = df.groupby(np.digitize(df.a,bins))
# Get the mean of a in each group
print groups.mean()
## But how to get the mean of b for each group of a?
# ...

Answer 1

可能有更有效的方法（我觉得pandas.crosstab 在这里会很有用），但我会这样做：

import numpy as np
import pandas

df = pandas.DataFrame({"a": np.random.random(100),
                       "b": np.random.random(100),
                       "id": np.arange(100)})

# Bin the data frame by "a" with 10 bins...
bins = np.linspace(df.a.min(), df.a.max(), 10)
groups = df.groupby(np.digitize(df.a, bins))

# Get the mean of each bin:
print groups.mean() # Also could do "groups.aggregate(np.mean)"

# Similarly, the median:
print groups.median()

# Apply some arbitrary function to aggregate binned data
print groups.aggregate(lambda x: np.mean(x[x > 0.5]))

---

编辑：由于 OP 专门要求b 的方法被a 中的值分箱，所以就这样做

groups.mean().b

此外，如果您希望索引看起来更好（例如，将间隔显示为索引），就像在 @bdiamante 的示例中所做的那样，请使用 pandas.cut 而不是 numpy.digitize。 （向比达曼特致敬。我没有意识到pandas.cut 的存在。）

import numpy as np
import pandas

df = pandas.DataFrame({"a": np.random.random(100), 
                       "b": np.random.random(100) + 10})

# Bin the data frame by "a" with 10 bins...
bins = np.linspace(df.a.min(), df.a.max(), 10)
groups = df.groupby(pandas.cut(df.a, bins))

# Get the mean of b, binned by the values in a
print groups.mean().b

这会导致：

a
(0.00186, 0.111]    10.421839
(0.111, 0.22]       10.427540
(0.22, 0.33]        10.538932
(0.33, 0.439]       10.445085
(0.439, 0.548]      10.313612
(0.548, 0.658]      10.319387
(0.658, 0.767]      10.367444
(0.767, 0.876]      10.469655
(0.876, 0.986]      10.571008
Name: b

Answer 2

不是 100% 确定这是否是您正在寻找的，但我认为您正在寻找以下内容：

In [144]: df = DataFrame({"a": np.random.random(100), "b": np.random.random(100), "id":   np.arange(100)})

In [145]: bins = [0, .25, .5, .75, 1]

In [146]: a_bins = df.a.groupby(cut(df.a,bins))

In [147]: b_bins = df.b.groupby(cut(df.b,bins))

In [148]: a_bins.agg([mean,median])
Out[148]:
                 mean    median
a
(0, 0.25]    0.124173  0.114613
(0.25, 0.5]  0.367703  0.358866
(0.5, 0.75]  0.624251  0.626730
(0.75, 1]    0.875395  0.869843

In [149]: b_bins.agg([mean,median])
Out[149]:
                 mean    median
b
(0, 0.25]    0.147936  0.166900
(0.25, 0.5]  0.394918  0.386729
(0.5, 0.75]  0.636111  0.655247
(0.75, 1]    0.851227  0.838805

当然，我不知道你想到了什么垃圾箱，所以你必须根据你的情况换掉我的垃圾箱。

Answer 3

Joe Kington 的回答非常有帮助，但是，我注意到它并没有对所有数据进行分类。它实际上用 a = a.min() 省略了行。总结 groups.size() 给出的是 99 而不是 100。

为保证所有数据都被分箱，只需将分箱数传递给 cut()，该函数将自动将第一个[最后一个]分箱填充 0.1%，以确保包含所有数据。

df = pandas.DataFrame({"a": np.random.random(100), 
                    "b": np.random.random(100) + 10})

# Bin the data frame by "a" with 10 bins...
groups = df.groupby(pandas.cut(df.a, 10))

# Get the mean of b, binned by the values in a
print(groups.mean().b)

在这种情况下，将 groups.size() 相加得到 100。

我知道对于这个特定问题来说这是一个挑剔的点，但对于我试图解决的类似问题，获得正确答案至关重要。

Answer 4

如果你不必坚持pandas分组，你可以使用scipy.stats.binned_statistic：

from scipy.stats import binned_statistic

means = binned_statistic(df.a, df.b, bins=np.linspace(min(df.a), max(df.a), 10))