Question

我的数据框中有一个连续变量A（比如收入）。我想制作一个分类变量B.具体来说，我想将第二个变量定义为以500为增量上升，直到达到一定限度。例如，

B= 1 if A<500
   2 if A>=500 & A<1000
   3 if A>=1000 & A<1500
   ....
   11 if A>5000

Pandas最有效的方法是什么？在我主要编程的STATA中，如果我有很多类别，我会使用replace和if（繁琐）或循环。我想在使用熊猫时突破STATA思维，但有时我的想象力有限。

提前致谢

Answer 1

如果间隔是规则的并且值似乎是示例中的正值，则可以获取值的整数部分除以间隔的长度。像

这样的东西

df['category'] = (df.A / step_size).astype(int)

请注意，如果存在负值，则可能会遇到问题，例如介于-500和500之间的任何东西都是0.但你可以通过在分割之前添加一些基本值来解决这个问题。您可以有效地将您的捕捉定义为步长的倍数，从某个基值开始，恰好是零以上。像

这样的东西

df['category'] = ((df.A + base) / step_size).astype(int)

此处＆＃39;另一种方法，用于间隔不规则的间隔：

lims = np.arange(500, 5500, 500)
df['category'] = 0
for lim in lims: 
    df.category += df.A > lim

当你的限制数量相对较少时，这种方法很好，但很明显，这种方法会减慢很多。以下是各种方法的基准测试：

a = np.random.rand(100000) * 6000
%timeit pd.cut(a, 11)
%timeit (a / 500).astype(int)
100 loops, best of 3: 6.47 ms per loop
1000 loops, best of 3: 1.12 ms per loop

%%timeit
x = 0
for lim in lims: 
    x += a > lim
100 loops, best of 3: 3.84 ms per loop

我将pd.cut放在那里以及John E's建议。这会产生分类变量而不是整数，因为他指出它们有不同的用途。两种方法都有利弊，最好的方法取决于方案。

基于python pandas中另一个连续变量创建分类变量的最有效方法是什么？

1 个答案: