我有一个指标，我正尝试创建新列，其中包含描述每个指标值所属分位数的标签。但是，我发现，对于同一个指标值，我收到多个分位数标签，而我希望它们只收到一个。
我有一个类似这样的指标：
| 公制|
| - ------|
| 5.0 |
| 5.0 |
| 6.0 |
| 5.0 |
| 钠氮|
| 5.0 |
| 5.0 |
| 2.0 |
| 6.0 |
| 3.0 |
| 钠氮|
| 2.0 |
| 5.0 |
| 5.0 |
| 5.0 |
| 2.0 |
我想创建新的列，其中包含一个分位数范围的分位数标签。这就是我正在做的：
var_metric = ['Metric']
# Quantile range I am interested in creating labels for
quantiles_list = [2, 3, 4, 5]
# Quantile labels
quantile_2_labels = ['Quantile_2_1','Quantile_2_2']
quantile_3_labels = ['Quantile_3_1','Quantile_3_2','Quantile_3_3']
quantile_4_labels = ['Quantile_4_1','Quantile_4_2','Quantile_4_3','Quantile_4_4']
quantile_5_labels = ['Quantile_5_1','Quantile_5_2','Quantile_5_3','Quantile_5_4','Quantile_5_5']
quantiles_labels_list = [quantile_2_labels, quantile_3_labels, quantile_4_labels, quantile_5_labels]
# Loops for creating label columns
for metric in var_metric:
for quantile, labels in zip(quantiles_list, quantiles_labels_list):
df[f'{metric}_Quantile_{quantile}'] = pd.qcut(df[metric].astype('Int64').rank(method='first'), q=quantile, labels=labels, retbins=False)结果如下所示：
| 公制|度量_分位数_2|度量_分位数_3|度量分位数4|度量_分位数_5|
| - ------|- ------|- ------|- ------|- ------|
| 2.0 |分位数_2_1|分位数_3_1|分位数_4_1|分位数_5_1|
| 5.0 |分位数_2_1|分位数_3_2|分位数_4_2|分位数_5_2|
| 5.0 |分位数_2_1|分位数_3_2|分位数_4_2|分位数_5_3|
| 6.0 |分位数_2_2|分位数_3_3|分位数_4_4|分位数_5_5|
| 5.0 |分位数_2_1|分位数_3_2|分位数_4_2|分位数_5_3|
| 钠氮|钠氮|钠氮|钠氮|钠氮|
| 5.0 |分位数_2_2|分位数_3_2|分位数_4_3|分位数_5_3|
| 5.0 |分位数_2_2|分位数_3_2|分位数_4_3|分位数_5_4|
| 2.0 |分位数_2_1|分位数_3_1|分位数_4_1|分位数_5_1|
| 6.0 |分位数_2_2|分位数_3_3|分位数_4_4|分位数_5_5|
| 3.0 |分位数_2_1|分位数_3_1|分位数_4_2|分位数_5_2|
| 钠氮|钠氮|钠氮|钠氮|钠氮|
| 2.0 |分位数_2_1|分位数_3_1|分位数_4_1|分位数_5_1|
| 5.0 |分位数_2_2|分位数_3_3|分位数_4_3|分位数_5_4|
| 5.0 |分位数_2_2|分位数_3_3|分位数_4_4|分位数_5_4|
| 5.0 |分位数_2_2|分位数_3_3|分位数_4_4|分位数_5_5|
| 2.0 |分位数_2_1|分位数_3_1|分位数_4_1|分位数_5_2|
以Metric_Quantile_2列为例，我希望Metric = 5.0在所有情况下都得到相同的标签，但是在第二列中可以看到5.0值的标签在Quantile_2_1和Quantile_2_2之间移动，知道为什么吗？
谢谢!
2条答案
按热度按时间yiytaume1#
你不能期望你的代码产生正确的结果，因为你没有在
df['Metric']上应用qcut，而是在df['Metric'].rank(...)上应用qcut，这不是一回事：有效措施：
什么不起作用：
zbwhf8kr2#
问题在于
pd.qcut，它试图将相同数量的观测放入每个分位数条柱中。但是，如果同一值多次出现，迫使某些条柱包含的观测数多于其他条柱，则它不知道如何处理。这篇文章分解了你在这种情况下的选择：How to qcut with non unique bin edges?
最后，我决定改用
pd.cut，它取指标值域的最小值和最大值，然后将值域分割成大小相等的区间，再将观测值放入这些区间，结果是每个区间的观测值数量不同。这是我最后的forloop：
我希望这是清楚的。谢谢大家的帮助！