python - 为什么 Pandas qcut 给我大小不等的垃圾箱？

Question

Pandas docs关于 qcut 函数有这样的说法:

Discretize variable into equal-sized buckets based on rank or based on sample quantiles.

所以我希望这段代码能给我 4 个箱子，每个箱子有 10 个值:

import numpy as np
import pandas as pd

np.random.seed(4242)

y = pd.Series(np.random.randint(low=1, high=10, size=40))
quartiles = pd.qcut(y, 4, labels=['1st', '2nd', '3rd', '4th'])

print('Quartiles:')
print(quartiles.value_counts(sort=False))

y.groupby(quartiles).agg(['count', 'mean']).plot(kind='bar');

但是我得到了这个:

Quartiles:
1st    14
2nd     6
3rd    11
4th     9
dtype: int64

graph

我在这里做错了什么？

Answer 1

发生这种情况的原因是因为 python 不知道如何处理“边界线”情况，即可能很容易满足第一和第二四分位数的记录。对您的代码进行简单的调整将产生所需的结果:

import numpy as np
import pandas as pd

np.random.seed(4242)

y = pd.Series(np.random.randint(low=1, high=10, size=40))
quartiles = pd.qcut(y.rank(method = 'first'), 4, labels=['1st', '2nd', '3rd', '4th'])

print('Quartiles:')
print(quartiles.value_counts(sort=False))

y.groupby(quartiles).agg(['count', 'mean']).plot(kind='bar');

通过使用 rank() 说明 python 使用的方法函数，我们为 python 提供了一种处理跨越多个 bin 的记录的清晰方法。在这种情况下，我使用了 (method = 'first')作为 rank() 的参数功能。
我得到的输出如下:

Quartiles:
1st    10
2nd    10
3rd    10
4th    10
dtype: int64