Pandas提供了智能剪贴功能：pd.cut()与pd.qcut()，它们通常用于更方便直观地处理关系型或标签型数据，将数据进行分箱/离散化

1、pd.cut()

我们可以通过两种方式使用cut()函数：直接指定bin的数量，让Pandas为我们计算等大小的bin，或者我们可以按照自己的意愿手动指定bin的边缘

在cut()函数中，bin边缘的间距大小是相等的，每个bin或箱中的元素数量不均匀。例如，如果对年龄进行分箱，0-1岁是婴儿，1-12岁是孩子，12-18岁是青少年，18-60岁是成年人，60岁以上是老年人。所以我们可以设置：

bins=[0, 1, 12, 18, 60, 140]
labels=['infant', 'kid', 'teenager', 'grownup', 'senior citizen']

cut()的API如下：

pd.cut(x,bins,right,labels,retbins,precision,include_lowest,duplicates,ordered)

其参数及说明如下：

• x：需要进行分箱的数据，1D数组或系列类型，如果数据存在NaN则报错
• bins：分箱的边界，如果是单个整数，则表示基于数据中的最小值和最大值生成等间距间隔；也可以是自定义边界值的列表或数组
• right：是否包含最右边的数值，默认为True（右闭）
• labels：分箱的标签，长度保持与分箱数一致
• retbins：是否显示分箱的边界值，默认为False。当bins为整数时设置True可以显示边界值
• precision：分箱边界的精度，默认3位小数
• include_lowest：是否包含最左边的数值，默认为False（左开）
• duplicates：默认为raise，如果分箱的边界不唯一，则引发ValueError；指定drop则去重
• ordered：标签是否有序，默认为True，分类结果将被排序

以下是一个使用示例：

import pandas as pd
import numpy as np# 数据准备
years = [2024, 2023, 2017, 2011, 2015, 2023, 2008, 2010]
df = pd.DataFrame(years, columns=['Year'])

基本使用如下：

# 左开右闭
print(pd.cut(df['Year'], bins=3, precision=0))

数据的年份范围是2008年到2024年（16个），当我们指定bins=3时，Pandas将它切分成3个等宽的bin，每个bin5-6年。需要注意的是，Pandas会自动将第一类的下限值丢失精度，以确保将2008年也包括在结果中

# 左闭右闭
print(pd.cut(df['Year'], bins=3, include_lowest=True, precision=0))

可以将标签参数指定为一个列表，而不是获得间隔，以便更好地分析：

# 指定分类标签
df['Label'] = pd.cut(df['Year'], bins=3, labels=['Old', 'Medium', 'New'], precision=0)
print(df)

如果指定labels=False，我们将得到bin的数字表示（从0依次开始递增）：

df['Label'] = pd.cut(df['Year'], bins=3, labels=False)
print(df)

查看每个分箱中的值数量：

print(df['Label'].value_counts().reset_index())

显示分箱的边界值：

# 我们可以指定retbins=True一次性获得bin区间和边界值离散的序列，此时方法返回一个二元组
cut_series, cut_intervals = pd.cut(df['Year'], bins=3, retbins=True, precision=0)
# bin区间
print(cut_series)
# 分箱的边界值
print(cut_intervals)

我们也可以通过给bins参数传入一个列表来手动指定bin的边缘：

# 自定义bin边缘
print(pd.cut(df['Year'], bins=[2008, 2010, 2020, 2024], include_lowest=True))

这里，我们设置了include_lowest=True，默认情况下，它被设置为False，因此，当Pandas看到我们传递的列表时，它将把2008年排除在计算之外。因此，这里我们也可以使用任何小于2008的值

2、pd.qcut()

qcut()函数（Quantile-Cut）与cut()的关键区别在于，在qcut()中，每个bin中的元素数量将大致相同，但这将以不同大小的bin区间宽度为代价

在qcut()函数中，当我们指定q=5时，我们告诉Pandas将数据列切成5个相等的量级，即0-20%，20-40%，40-60%，60-80%和80-100%桶/箱

qcut()的API如下：

pd.qcut(x,q,labels,retbins,precision,duplicates)

其参数及说明如下：

• x：需要进行分箱的数据，1D数组或系列类型，如果数据存在NaN则保留
• q：分位数，例如4用于四分位，也可以指定为列表[0,0.25,0.5,0.75,1]
• 其他参数：同pd.cut()

给数据注入一个缺失值，我们看下qcut()将如何处理一个包含NaN的数据集

# 添加NaN值
df.loc[0, 'Year'] = np.NaN

以下是一个使用示例：

# 左开右闭
print(pd.qcut(df['Year'], q=3))

你是否注意到，在输出结果中，NaN值也被保留为NaN？

指定分箱标签：

# 指定分箱标签
df['Label'] = pd.qcut(df['Year'], q=3, labels=['Old', 'Medium', 'New'])
print(df)

自定义分箱量级：

# 自定义分箱量级
print(pd.qcut(df['Year'], q=[0, 1 / 3, 2 / 3, 1]))

可以看到，分箱的边缘是不等宽的，因为它要容纳每个桶1/3的值，因此它要自己计算每个箱子的宽度来实现这一目标

3、cut与qcut区别

综上所述，现对cut()与qcut()方法的使用区别作如下总结：

• cut()分箱边缘是等间距的，因此，箱中的元素数量不均；qcut()分箱箱中的元素数量是均匀的，因此，箱边缘不是等间距的
• cut()分箱数据如果存在NaN则报错；qcut()分箱则将存在的NaN保留

参考文章：https://geek-docs.com/pandas/pandas-tutorials/how-to-use-pandas-cut-and-qcut.html