Question

我有以下熊猫DataFrame：

import numpy as np
import pandas as pd

np.random.seed(0)
test_df = pd.DataFrame({"category": ["A", "B"]*5, "value": np.random.uniform(size=10)})

print(test_df)
#  category     value
#0        A  0.548814
#1        B  0.715189
#2        A  0.602763
#3        B  0.544883
#4        A  0.423655
#5        B  0.645894
#6        A  0.437587
#7        B  0.891773
#8        A  0.963663
#9        B  0.383442

我想使用pandas.cut对value列进行装箱，但是bins参数需要根据category列而有所不同。

具体地说，我想使用以下字典来定义要用于cut的垃圾箱：

bins = {
    "A": [0.00, 0.25, 0.50, 0.75, 1],
    #     0,    1,    2,    3,    4   <-- corresponding bin value
    "B": [0.00, 0.33, 0.66, 1]
    #     0,    1,    2,    3         <-- corresponding bin value
}

我想出了以下解决方案，该解决方案是首先使用所有垃圾箱削减value列：

cuts = {
    c: pd.cut(test_df["value"], bins=bins[c], labels=range(1, len(bins[c]))) for c in bins
}

然后使用numpy.select将适当的bin分配回test_df：

test_df["bin"] = np.select(*zip(*[(test_df["category"] == c, cuts[c]) for c in bins]))
print(test_df)
#  category     value  bin
#0        A  0.548814    3
#1        B  0.715189    3
#2        A  0.602763    3
#3        B  0.544883    2
#4        A  0.423655    2
#5        B  0.645894    2
#6        A  0.437587    2
#7        B  0.891773    3
#8        A  0.963663    4
#9        B  0.383442    2

这是正确的答案，但是有没有更有效的方法？理想情况下，应该有一种方法不涉及在每个不同的容器上调用cut。在我的真实数据中，我有2个以上的容器。

Answer 1

也许将numpy与np.searchsorted一起使用：

test_df['bin'] = [np.searchsorted(bins[i], v) for i, v in test_df.values]

输出：

  category     value  bin
0        A  0.548814    3
1        B  0.715189    3
2        A  0.602763    3
3        B  0.544883    2
4        A  0.423655    2
5        B  0.645894    2
6        A  0.437587    2
7        B  0.891773    3
8        A  0.963663    4
9        B  0.383442    2

时间

％timeit np.select（ zip（ [（test_df [“ category”] = = c，cuts [c]））for c in   垃圾箱]））
  每个循环1.21 ms±14.3 µs（平均±标准偏差，共运行7次，每个循环1000次）

和

％timeit [np.searchsorted（bins [i]，v）for i，v in test_df.values]
每个循环301 µs±4.14 µs（平均±标准偏差，共运行7次，每个循环1000个）

Answer 2

要解决该问题的另一种方法是使用groupby

def applied(x):
    _bins = bins[x.category.iat[0]]
    return pd.cut(x.value, bins=_bins, labels=range(1,len(_bins)))

test_df['bin']= test_df.groupby('category').apply(applied).reset_index(level= 0, drop= True)

但与@Scott Boston的

相比，它实际上相当慢

熊猫通过基于另一列的bins参数有效地削减了列

2 个答案: