python - pandas qcut 没有将相同数量的观察结果放入每个箱子

Question

我有一个数据框，我可以从中选择一个列(系列)，如下所示:

df:

            value_rank
275488          90
275490          35
275491          60
275492          23
275493          23
275494          34
275495          75
275496          40
275497          69
275498          14
275499          83
...             ...

value_rank 是先前从更大的数据集中创建的百分位数排名。我想做的是创建这个数据集的容器，例如五分位数

pd.qcut(df.value_rank, 5, labels=False)


275488    4
275490    1
275491    3
275492    1
275493    1
275494    1
275495    3
275496    2
...      ...

这看起来不错，正如预期的那样，但事实并非如此。

事实上，我有 1569 列。可被 5 个 bin 整除的最接近的数字是 1565，这应该在每个 bin 中给出 1565/5 = 313 个观测值。有 4 条额外记录，所以我希望有 4 个箱子有 314 个观测值，一个箱子有 313 个观测值。相反，我得到这个:

obs =  pd.qcut(df.value_rank, 5, labels=False)
obs.value_counts()

0    329
3    314
1    313
4    311
2    302

我在 df 中没有 nans，也想不出发生这种情况的任何原因。真的开始扯掉我的头发了!

这是一个小例子:

df:

            value_rank
286742               11
286835               53
286865               40
286930               31
286936               45
286955               27
287031               30
287111               36
287269               30
287310               18

pd.qcut 给出了这个:

pd.qcut(df.value_rank, 5, labels = False).value_counts()
bin  count
1    3
4    2
3    2
0    2
2    1

每个 bin 中应该有 2 个观察值，而不是 bin 1 中的 3 个和 bin 2 中的 1 个!

Answer 1

qcut 试图补偿重复值。如果您将 bin 限制与 qcut 结果一起返回，则可以更早地进行可视化:

In [42]: test_list = [ 11, 18, 27, 30, 30, 31, 36, 40, 45, 53 ]
In [43]: test_series = pd.Series(test_list, name='value_rank')

In [49]: pd.qcut(test_series, 5, retbins=True, labels=False)
Out[49]:
(array([0, 0, 1, 1, 1, 2, 3, 3, 4, 4]),
 array([ 11. ,  25.2,  30. ,  33. ,  41. ,  53. ]))

您可以看到，除了将 bin 限制设置为 30 之外别无选择，因此 qcut 不得不从第三个 bin 的预期值中“窃取”一个并将它们放在第二个 bin 中。我认为这只是在更大范围内发生在你的百分位数上，因为你基本上是将他们的排名压缩到 1 到 100 的范围内。有什么理由不直接对数据运行 qcut 而不是百分位数或返回精度更高的百分位数？