python - Pandas .cut VS df.describe()

Question

我想将数据分组为 4 个范围，我使用 Pandas.cut 进行分箱，这是我的代码和结果

然后我用了df.describe()我发现边缘的范围与 pd.cut 不同，为什么？

pd.cut是[(2.719, 3.042] < (3.042, 3.365] < (3.365, 3.688] < (3.688, 4.01]]

df.describe()是

min         2.720000
25%         3.110000
50%         3.210000
75%         3.320000
max         4.010000

Answer 1

你的 cut将范围分成 4 个等宽 bin，而describe使用四分位数。只有对于均匀分布的数据，两者才会导致相同的分割。

例子:

import pandas as pd
import numpy as np

df = pd.DataFrame({'uniform': np.random.rand(1_000_000), 'normal': np.random.randn(1_000_000)})

with np.printoptions(formatter={'float': '{:.3f}'.format}):
    print( 'uniform:\n'
           f'   {df.uniform.describe().iloc[3:].values}\n'
           f'   {pd.cut(df.uniform, 4).dtype.categories.to_tuples().to_list()}')
    print( 'normal:\n'
           f'   {df.normal.describe().iloc[3:].values}\n'
           f'   {pd.cut(df.normal, 4).dtype.categories.to_tuples().to_list()}')

输出:

uniform:
   [0.000 0.250 0.499 0.750 1.000]
   [(-0.001, 0.25), (0.25, 0.5), (0.5, 0.75), (0.75, 1.0)]
normal:
   [-4.908 -0.675 0.001 0.674 5.082]
   [(-4.918, -2.411), (-2.411, 0.0867), (0.0867, 2.584), (2.584, 5.082)]