最終更新日：2021/9/7

ここではビン分割について説明します。
例えば、あるクラスのテストの点数があった場合、10点ずつ区間を区切り、どの区間に何人含まれるか、など全体像を把握するのに役立ちます。

【説明すること】

1. ビン分割する

pd.cut()でビン分割ができます。オプションが幾つかあるので、以下で説明します。

1.1. n分割してどこに属するかを知る

pd.cut()を使って、分割する数nを与え、

pd.cut(df['clm'], n)

と書きます。データの最大値と最小値を使って、自動でn分割します。但し、これは、各データがどの区間に属するかを示すだけになります。

【ポイント】

  • dfを分割の対象にする場合、カラム名を指定します。(例：df[‘clm’])
  • arrayも指定できます。

以下のcsvファイルを読み込んで例を示します。

a008_002a.csv


もし結果をcsvに出力したい場合は、以下のようにdfに結果を入れれば、可能です。

1.2. 分割する範囲を指定する

分割する範囲を自分で指定する場合です。オプションのbins=に範囲を指定します。
例えば、0から100まで20刻みの場合[0, 20, 40, 60, 80, 100]として、

pd.cut(df['clm'], bins=[0, 20, 40, 60, 80, 100])

と書きます。

【ポイント】

(1) 一番小さい値の扱い

範囲には注意が必要です。何も指定しないと、分割は
0<x<=20, 20<x<=40,…, 80<x<=100
となります。右側(20, 40, …, 100)を含むになります。 また、0は範囲に含まれません。
例えば、0がデータにあると、ビン分割の結果はNaNとなります。

但し、オプションでinclude_lowest=Trueを指定すると、0<x<=20の区間だけは、0<=x<=20（0を含む）とできます。（正確には0の値を自動で少し小さくする）

(2) 等号はどちらに含むのか？

上のように、デフォルトの分割は「a<x<=b」となり、左を含まず、右を含むとなります。（これを大学の数学では(a,b]と書きます。）

オプションで、right = Falseを指定すると、「a<=x<b」となり、左を含み、右を含まず、となります。

1.3. 分割の結果を(a,b]でなく、0,1,2…としたい

分割の結果を0, 1, 2,…と表示したい場合は、オプションでlabels=Falseを指定します。番号は０始まりです。

1.4. 分割の結果に独自の値を付けたい

分割の結果を(a,b]でも0, 1, 2,…でもなく、独自の値にしたい場合です。
この場合、labels=にlistを指定します。但し、分割の数と指定したlistの数が一致しなければいけません。

2. ビン分割した範囲に含むデータの数をかぞえる

ビン分割した結果を利用して、各範囲に含むデータの数をかぞえたい場合です。

pd.cut(df['clm'], bins=mybins, labels=mylables).value_counts()
または、
pd.value_counts(df_cut)

です。
ここで、後者のdf_cutはビン分割した結果です。例えば、df_cut = pd.cut(df['clm'], bins=mybins, labels=mylables)が考えられます。

参考ページ

何度かご紹介していますが、以下のページがとても詳しいので、参考にしてください。
https://note.nkmk.me/python-pandas-cut-qcut-binning/