如何基于数值变量创建分类变量

Question

我的DataFrame有一列:

import pandas as pd
list=[1,1,4,5,6,6,30,20,80,90]
df=pd.DataFrame({'col1':list})

如何在col1中添加一个包含分类信息的列'col2':

if col1 > 0 and col1 <= 10 then col2 = 'xxx'
if col1 > 10 and col1 <= 50 then col2 = 'yyy'
if col1 > 50 then col2 = 'zzz'

Answer 1

您可以使用pd.cut以下方法：

df['col2'] = pd.cut(df['col1'], bins=[0, 10, 50, float('Inf')], labels=['xxx', 'yyy', 'zzz'])

输出：

   col1 col2
0     1  xxx
1     1  xxx
2     4  xxx
3     5  xxx
4     6  xxx
5     6  xxx
6    30  yyy
7    20  yyy
8    80  zzz
9    90  zzz

Answer 2

您可以先创建一个新列col2,然后根据条件更新其值:

df['col2'] = 'zzz'
df.loc[(df['col1'] > 0) & (df['col1'] <= 10), 'loc2'] = 'xxx'
df.loc[(df['col1'] > 10) & (df['col1'] <= 50), 'loc2'] = 'yyy'
print df

输出:

   col1 col2
0     1  xxx
1     1  xxx
2     4  xxx
3     5  xxx
4     6  xxx
5     6  xxx
6    30  yyy
7    20  yyy
8    80  zzz
9    90  zzz

或者,您也可以根据列应用函数col1:

def func(x):
    if 0 < x <= 10:
        return 'xxx'
    elif 10 < x <= 50:
        return 'yyy'
    return 'zzz'

df['col2'] = df['col1'].apply(func)

这将产生相同的输出.

该apply方法应在这种情况下是首选,因为它的速度要快得多:

%timeit run() # packaged to run the first approach
# 100 loops, best of 3: 3.28 ms per loop
%timeit df['col2'] = df['col1'].apply(func)
# 10000 loops, best of 3: 187 µs per loop

但是,当DataFrame的大小很大时,内置的矢量化操作(即使用屏蔽方法)可能会更快.