11. Pandas 数据分类与区间分组（cut 与 qcut）
Pandas 数据分类与区间分组（cut 与 qcut）
在数据分析中，我们常常需要将连续型变量划分为若干区间，从而对数据进行离散化、分层统计或可视化展示。Pandas 提供了两种常用方法：cut（等宽分组）和 qcut（等频分组）。它们能帮助我们快速地将连续数值数据转化为类别变量，为后续的趋势分析、分层汇总和建模提供有力支持。
1. 等宽分组（cut）
cut 函数用于将连续数值划分为固定宽度的区间，即每个分组的区间长度相同。
这类方法适合数据分布相对均匀的情况，能直观地反映数值的分布范围。
import pandas as pddata = {"姓名": ["张三", "李四", "王五", "赵六", "孙七"],"年龄": [23, 34, 29, 40, 34]
}df = pd.DataFrame(data)
print(df)
姓名 年龄
0 张三 23
1 李四 34
2 王五 29
3 赵六 40
4 孙七 34
1.1 基本使用
通过 bins 参数指定分组数量，即可让 Pandas 自动计算区间范围：
# 将年龄划分为3个等宽区间
df['年龄段'] = pd.cut(df['年龄'], bins=3)
print(df)
姓名 年龄 年龄段
0 张三 23 (22.983, 28.667]
1 李四 34 (28.667, 34.333]
2 王五 29 (28.667, 34.333]
3 赵六 40 (34.333, 40.0]
4 孙七 34 (28.667, 34.333]
每个区间以“(a, b]”表示，其中 a 为左开、b 为右闭。
1.2 自定义区间与标签
我们也可以手动指定分组区间及其对应标签，使结果更具可读性：
bins = [20, 30, 35, 45]
labels = ['青年', '中年', '壮年']
df['年龄段'] = pd.cut(df['年龄'], bins=bins, labels=labels)
print(df)
姓名 年龄 年龄段
0 张三 23 青年
1 李四 34 中年
2 王五 29 青年
3 赵六 40 壮年
4 孙七 34 中年
通过这种方式，我们可以自由定义区间边界与命名，更符合业务逻辑或统计需求。
2. 等频分组（qcut）
qcut 函数按**数据分位数（quantile）**划分区间，确保每个区间包含大致相同数量的数据。这在数据分布不均匀时尤其有用，能避免某些区间数据过少或过多的问题。
# 将年龄划分为3个等频组
df['年龄组_q'] = pd.qcut(df['年龄'], q=3)
print(df)
姓名 年龄 年龄段 年龄组_q
0 张三 23 青年 (22.999, 30.667]
1 李四 34 中年 (30.667, 34.0]
2 王五 29 青年 (22.999, 30.667]
3 赵六 40 壮年 (34.0, 40.0]
4 孙七 34 中年 (30.667, 34.0]
可以看到，虽然区间长度不一致，但每组包含的数据数量大致相同，适合用于分布密度不均的数据。
3. 分组统计与应用场景
3.1 按区间统计
区间分组完成后，我们可以直接对其进行统计分析。例如统计各年龄段的人数：
# 按年龄段统计人数
age_counts = df['年龄段'].value_counts()
print(age_counts)
年龄段
青年 2
中年 2
壮年 1
Name: count, dtype: int64
3.2 应用场景
区间分组是数据分析中极为常见的操作，常用于：
- 人群分层分析：如按年龄、收入或学历进行层级划分；
- 业务指标统计：例如销售额、评分、访问时长的区间统计；
- 可视化展示：在绘制柱状图、箱线图或密度图时，常需先进行区间划分以提升可读性。
4. 小结
在 Pandas 中：
cut适用于等宽分组，按照固定区间长度划分；qcut适用于等频分组，按数据分布的分位数进行划分；- 两者均可搭配标签使用，实现连续数据的离散化与分层统计。
掌握这两种方法，可以让我们在面对连续型变量时灵活地构建分组结构，为数据分析、建模和可视化提供更清晰的层次与洞察。