pandas.qcut

pandas.qcut(x, q, labels=None, retbins=False, precision=3, duplicates='raise')[source]

Функция дискретизации на основе квантилей.

Разбивает переменную на равные по размеру интервалы на основе ранга или выборочных квантилей. Например, 1000 значений для 10 квантилей приведет к объекту Categorical, указывающему квантильную принадлежность каждого значения данных.

Параметры:

x: одномерный массив ndarray или Series

q: целое число или список чисел с плавающей точкой

Количество квантилей. 10 для десятилевых, 4 для квартилей и т. д. В качестве альтернативы, массив квантилей, например, [0, 0.25, 0.5, 0.75, 1.] для квартилей.

labels: массив или False, по умолчанию None

Используется в качестве меток для полученных интервалов. Должен иметь такую же длину, как и полученные интервалы. Если False, возвращаются только целочисленные индикаторы интервалов. Если True, возникает ошибка.

retbins: bool, необязательно

Возвращать ли (интервалы, метки) или нет. Может быть полезно, если интервалы заданы как скаляр.

precision: целое число, необязательно

Точность хранения и отображения меток интервалов.

duplicates:{по умолчанию ‘raise’, ‘drop’}, необязательно

Если границы интервалов не уникальны, вызывать ValueError или удалять не уникальные.

Возвращаемое значение:

out: Categorical или Series или массив целых чисел, если labels - False

Тип возвращаемого значения (Categorical или Series) зависит от входных данных: Series типа category, если вход - Series, иначе Categorical. Интервалы представлены как категории, если возвращаются категориальные данные.

bins: ndarray с плавающей точкой

Возвращается только если retbins равно True.

Примечания

Значения вне диапазона будут NA в результирующем объекте Categorical

Примеры

>>> pd.qcut(range(5), 4)
... 
[(-0.001, 1.0], (-0.001, 1.0], (1.0, 2.0], (2.0, 3.0], (3.0, 4.0]]
Categories (4, interval[float64, right]): [(-0.001, 1.0] < (1.0, 2.0] ...

>>> pd.qcut(range(5), 3, labels=["good", "medium", "bad"])
... 
[good, good, medium, bad, bad]
Categories (3, object): [good < medium < bad]

>>> pd.qcut(range(5), 4, labels=False)
array([0, 0, 1, 2, 3])