您现在的位置：程式師世界 >> 編程語言 > >> 更多編程語言 >> Python

Python 數據清洗：pd.cut()分箱統計

編輯：Python

目的：

對原始數據的商品金額進行區間劃分，統計各個區間的訂單數

解決思路：

分箱使用pd.cut()

pd.cut(x,bins,right=True,labels=None,retbins=False,precision=3,include_lowest=False,duplicates='raise')
x ：一維數組
bins ：整數，標量序列或者間隔索引，是進行分組的依據，
        如果填入整數n，則表示將x中的數值分成等寬的n份(即每一組內的最大值與最小值之差約相等)；
        如果是標量序列，序列中的數值表示用來分檔的分界值
       如果是間隔索引，“ bins”的間隔索引必須不重疊
right ：布爾值，默認為True表示包含最右側的數值
       當“ right = True”(默認值)時，則“ bins”=[1、2、3、4]表示(1,2]，(2,3],(3,4]
       當bins是一個間隔索引時，該參數被忽略。
labels : 數組或布爾值，可選.指定分箱的標簽
       如果是數組，長度要與分箱個數一致，比如“ bins”=[1、2、3、4]表示(1,2]，(2,3],(3,4]一共3個區間，則labels的長度也就是標簽的個數也要是3
       如果為False，則僅返回分箱的整數指示符，即x中的數據在第幾個箱子裡
       當bins是間隔索引時，將忽略此參數
retbins：是否顯示分箱的分界值。默認為False，當bins取整數時可以設置retbins=True以顯示分界值，得到劃分後的區間
precision：整數，默認3，存儲和顯示分箱標簽的精度。
include_lowest：布爾值，表示區間的左邊是開還是閉，默認為false，也就是不包含區間左邊。
duplicates：如果分箱臨界值不唯一，則引發ValueError或丟棄非唯一

可視化統計，使用pd.pivot_table()

具體代碼：

1、獲取數據

df = pd.read_excel('新建 XLSX 工作表.xlsx',sheet_name= 'Sheet1') #讀取數據進入Python程序
data = df[['訂單號','付款時間','訂單金額','商品名稱','產品規格','商品數量','商品金額']] # 選擇需用用到的數據列
print(data.head()) # 打印數據

2、分箱處理

# 定義金額區間
je_cut =[0,10,50,100,150,200,500,100000]
je_label = ['0-10','10-50','50-100','100-150','150-200','200-500','500以上'] #給金額區間設置標簽
data['金額區間'] = pd.cut(data['商品金額'],bins=je_cut,labels= je_label)
print(data)

3、統計分析

Data = pd.pivot_table(data,values = ['訂單號'],index = ['金額區間'],aggfunc = {'訂單號':lambda x: len(x.dropna().unique())}
,fill_value =0).reset_index(drop = False) # fill_value = 0是用來填充缺失值、空值
Data = Data.rename(columns ={'訂單號':'訂單數'}) # 修改列名
print(Data)