使用 Pandas 将数值数据分配到分类区间-Python教程-PHP中文网

使用 Pandas 将数值数据分配到分类区间

碧海醫心

发布： 2025-09-25 15:28:11

原创

246人浏览过

使用 pandas 将数值数据分配到分类区间

本文介绍了如何使用 Pandas 将包含数值和非数值数据的年龄信息分配到预定义的分类区间中，包括处理缺失值和非标准格式数据，并确保结果分类的顺序符合特定要求。通过示例代码，读者可以学习如何有效地使用 pd.cut 和 pd.Categorical 函数进行数据转换和分类。

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，这有助于简化数据、提取关键信息，并方便进行后续的统计分析和建模。本文将详细介绍如何使用 Pandas 库将包含年龄信息的列数据分配到预定义的分类区间中，并处理可能存在的缺失值和非标准格式数据。

准备工作

首先，确保已经安装了 Pandas 和 NumPy 库。如果没有安装，可以使用 pip 进行安装：

pip install pandas numpy

登录后复制

数据准备

为了演示，我们创建一个包含年龄信息的 DataFrame，其中包含数值、非数值（例如 "45-55"）和缺失值：

import pandas as pd
import numpy as np

data = {'age': ['45-55', '20', '56', '35', None, 'sixty-nine']}
df = pd.DataFrame(data)
print(df)

登录后复制

输出：

           age
0      45-55
1         20
2         56
3         35
4       None
5  sixty-nine

登录后复制

定义分类区间和标签

接下来，我们需要定义分类区间和对应的标签。题目要求如下：

分类区间：unknown, 17 and under, 18-25, 26-35, 36-45, 46-55, 56+
非数值数据和缺失值都归为 unknown 类
分类标签的顺序为：['unknown', '17 and under', '18-25', '26-35', '36-45', '46-55', '56+']

定义区间和标签：

怪兽AI数字人

数字人短视频创作，数字人直播，实时驱动数字人

查看详情

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+']

登录后复制

注意：这里在 -float('inf') 和 17 之间添加了一个 -1，这是为了确保所有非数值数据，在转换为数值时变为 NaN，最终都被 fillna 函数填充为 unknown。这样可以更明确地将所有无法转换为有效年龄的条目归类为“unknown”。

使用 pd.cut 进行分类

使用 pd.cut 函数将年龄数据分配到定义的区间中：

df['age_cat'] = pd.cut(pd.to_numeric(df['age'], errors='coerce'), 
                       bins=bins, labels=labels)\
                  .fillna('unknown')
print(df)

登录后复制

解释：

pd.to_numeric(df['age'], errors='coerce')：将 'age' 列转换为数值类型。errors='coerce' 表示无法转换的值将被转换为 NaN。
pd.cut(...)：将数值年龄数据分配到定义的区间中，并使用指定的标签。
.fillna('unknown')：将所有 NaN 值（包括原始的缺失值和无法转换为数值的值）填充为 'unknown'。

调整分类的顺序

题目要求 'unknown' 类别必须在第一位。为了保证顺序，我们可以使用pd.Categorical指定category的顺序。

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'])

登录后复制

输出：

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+']

登录后复制

完整代码

import pandas as pd
import numpy as np

data = {'age': ['45-55', '20', '56', '35', None, 'sixty-nine']}
df = pd.DataFrame(data)

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+']

df['age_cat'] = pd.cut(pd.to_numeric(df['age'], errors='coerce'), 
                       bins=bins, labels=labels)\
                  .fillna('unknown')

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)
print(df['age_cat'])

登录后复制

总结

本文详细介绍了如何使用 Pandas 将年龄数据分配到预定义的分类区间中，并处理了缺失值和非标准格式数据。通过使用 pd.cut 和 pd.Categorical 函数，可以灵活地进行数据转换和分类，并确保结果符合特定的要求。在实际应用中，可以根据具体的需求调整分类区间和标签，以适应不同的数据分析任务。

以上就是使用 Pandas 将数值数据分配到分类区间的详细内容，更多请关注php中文网其它相关文章！