mars.dataframe.cut#
- mars.dataframe.cut(x, bins, right: 布尔型 = True, labels=None, retbins: 布尔型 = False, precision: 整型 = 3, include_lowest: 布尔型 = False, duplicates: 字符串 = 'raise', ordered: 布尔型 = True)[来源]#
将值分成离散区间。
当您需要将数据值分段并排序到区间时，请使用 cut。这个功能对于将连续变量转换为分类变量也很有用。例如，cut 可以将年龄转换为年龄范围的组。支持将数据分成相等数量的区间，或预先指定的区间数组。
- Parameters
x (类数组) – 输入的数组需要被分箱。必须是一维的。
bins (int, 一系列标量, 或 IntervalIndex) –
用于分箱的标准。
int : 定义在x范围内的等宽分箱数量。x的范围在每侧扩展了0.1%，以包含x的最小值和最大值。
一系列标量 : 定义允许非均匀宽度的分箱边界。不对x的范围进行扩展。
IntervalIndex : 定义要使用的确切分箱。注意，bins的IntervalIndex必须是不重叠的。
right (bool, 默认值为 True) – 指示 bins 是否包含最右边的边界。如果
right == True（默认值），那么 bins[1, 2, 3, 4]表示 (1,2], (2,3], (3,4]。当 bins 是一个 IntervalIndex 时，这个参数会被忽略。labels (数组 或 False, 默认为 None) – 指定返回的区间的标签。必须与结果区间的长度相同。如果为 False，则仅返回区间的整数指示。这个参数会影响输出容器的类型（见下文）。当 bins 是一个 IntervalIndex 时，该参数被忽略。如果为 True，则会引发错误。
retbins (bool, 默认为 False) – 是否返回区间。如果将区间作为标量提供，这一选项很有用。
precision (int, 默认 3) – 存储和显示 bins 标签的精度。
include_lowest (bool, default False) – 第一个区间是否应该左闭合。
duplicates ({默认 'raise', 'drop'}, 可选) – 如果区间边界不是唯一的，抛出 ValueError 或丢弃非唯一值。
ordered (bool, default True) – 标签是否有序。适用于返回类型 Categorical 和 Series（具有 Categorical 数据类型）。如果为 True，结果 的分类将是有序的。如果为 False，结果的分类将是 无序的（必须提供标签）。
- Returns
out (分类，序列或张量) – 一个类数组对象，表示每个值所在的相应区间 of x。类型取决于labels的值。
True（默认） : 对于序列x返回一个序列，或者对于所有其他输入返回一个 分类。存储的值为区间数据类型。
标量序列 : 对于序列x返回一个序列，或者对于所有其他输入返回一个 分类。存储的值为序列中的类型。
False : 返回一个整数张量。
bins (张量或区间索引。) – 计算或指定的区间。仅在retbins=True时返回。 对于标量或序列bins，这是一个包含计算区间的张量。如果设置duplicates=drop，bins将删除非唯一区间。对于区间索引bins，这等于bins。
另请参阅
备注
任何NA值在结果中将为NA。超出范围的值在结果的序列或分类对象中将为NA。
示例
离散化为三个大小相等的区间。
>>> import mars.tensor as mt >>> import mars.dataframe as md
>>> md.cut(mt.array([1, 7, 5, 4, 6, 3]), 3).execute() ... [(0.994, 3.0], (5.0, 7.0], (3.0, 5.0], (3.0, 5.0], (5.0, 7.0], ... Categories (3, interval[float64]): [(0.994, 3.0] < (3.0, 5.0] ...
>>> md.cut(mt.array([1, 7, 5, 4, 6, 3]), 3, retbins=True).execute() ... ([(0.994, 3.0], (5.0, 7.0], (3.0, 5.0], (3.0, 5.0], (5.0, 7.0], ... Categories (3, interval[float64]): [(0.994, 3.0] < (3.0, 5.0] ... array([0.994, 3. , 5. , 7. ]))
发现相同的箱，但为它们分配特定的标签。请注意，返回的类别的类别是 标签 并且是有序的。
>>> md.cut(mt.array([1, 7, 5, 4, 6, 3]), ... 3, labels=["bad", "medium", "good"]).execute() [bad, good, medium, medium, good, bad] Categories (3, object): [bad < medium < good]
ordered=False将导致在传递标签时类别无序。该参数可以用于允许非唯一标签：
>>> md.cut(np.array([1, 7, 5, 4, 6, 3]), 3, ... labels=["B", "A", "B"], ordered=False).execute() ['B', 'B', 'A', 'A', 'B', 'B'] Categories (2, object): ['A', 'B']
labels=False表示您只想要返回箱子。>>> md.cut([0, 1, 1, 2], bins=4, labels=False).execute() array([0, 1, 1, 3])
将一个系列作为输入返回具有分类数据类型的系列：
>>> s = md.Series(mt.array([2, 4, 6, 8, 10]), ... index=['a', 'b', 'c', 'd', 'e']) >>> md.cut(s, 3).execute() ... a (1.992, 4.667] b (1.992, 4.667] c (4.667, 7.333] d (7.333, 10.0] e (7.333, 10.0] dtype: category Categories (3, interval[float64]): [(1.992, 4.667] < (4.667, ...
将一个序列作为输入返回一个带有映射值的序列。它用于根据区间对数值进行映射。
>>> s = md.Series(mt.array([2, 4, 6, 8, 10]), ... index=['a', 'b', 'c', 'd', 'e']) >>> md.cut(s, [0, 2, 4, 6, 8, 10], labels=False, retbins=True, right=False).execute() ... (a 0.0 b 1.0 c 2.0 d 3.0 e NaN dtype: float64, array([0, 2, 4, 6, 8, 10]))
当 bins 不唯一时，可选用 drop
>>> md.cut(s, [0, 2, 4, 6, 10, 10], labels=False, retbins=True, ... right=False, duplicates='drop').execute() ... (a 0.0 b 1.0 c 2.0 d 3.0 e NaN dtype: float64, array([0, 2, 4, 6, 10]))
传递一个 IntervalIndex 给 bins 会导致这些类别完全匹配。请注意，IntervalIndex 未覆盖的值将被设置为 NaN。0 位于第一个区间的左侧（该区间右侧是闭合的），而 1.5 落在两个区间之间。
>>> bins = md.Index(pd.IntervalIndex.from_tuples([(0, 1), (2, 3), (4, 5)])) >>> md.cut([0, 0.5, 1.5, 2.5, 4.5], bins).execute() [NaN, (0, 1], NaN, (2, 3], (4, 5]] Categories (3, interval[int64]): [(0, 1] < (2, 3] < (4, 5]]