好的，谢谢
2020-09-15 阅读量: 11666
【需要数据没重复值才能近似做到】的意思是说，分数排序后，同一个分数只能有一个值吗，那如果同一个分数有2个值，只能用cut等频分？
比如有9个数，要分成4个箱，那肯定有一箱是3，所以只能近似做到哈。你的数据里面一共有5000个，但是只有20个取值。做不到等频。这是你数据的取值分布情况。
我在往上看qcut是等频分箱，分出来每箱个数都一样，如图，网上这个跟您的代码有什么区别吗，您是怎么做到qcut出来是等距分箱的呢？
我上次代码并没有实现等距分箱，如果想实现等距需要用cut方法，除非需要切分的数据没有重复值。
qcut 也不一定能实现等频（每个箱内数据一样），一般是需要数据没重复值才能近似做到
这段代码的含义如下
最后的结果如果我不想除以总数5000，而是‘’北京‘’列下面的的数据显示北京总数的占比，黑龙江列的数据显示的是黑龙江总数的占比，就是分别显示两列总数的占比，怎么做呢
1,是所有变量都要分箱，但是可能有的变量需要手动调整分箱，可以把不需要手动调整分箱的变量一次性分箱吗
2，之前这行代码temp = df.groupby(["注册时长_y","sf"]).count()['序号'].unstack(1)/5000里面的【注册时长_y】是在哪个位置命名的？【unstack(1)/5000】是什么意思？
3，qcut和cut有什么区别？
谢谢
1、从代码角度来说是可以的，只要你能想象出最终数据的样子就能写出代码来。但是分箱有时候还需要结合业务来处理。
2、“注册时长_y”是在执行merge操作时自动生成的，你可以将代码拆分，分步执行看看没执行一行代码带来什么变化。 最后/5000是除以总数，可以算出某种情况占总体的比例，这块可以设置为变量，根据实际总数变化而变化。
3、qcut 与 cut 的详细区别可以查看官方文档。qcut用来实现等宽分箱，cut是根据自己定义的切分点进行分箱。这是两个函数的主要区别。
还有一个问题，可以一次性跑出所有列的分箱吗
1、上一个问题
代码如下
# 导入工具包
import pandas as pd
import numpy as np
# 导入原始数据
df = pd.read_excel("./data/1600139052_431496.xlsx")
# 数据转换
qc = pd.qcut(df.sort_values("注册时长")["注册时长"],q=4) #
df = pd.merge(df,qc,left_index=True,right_index=True) #
temp = df.groupby(["注册时长_y","所在省份"]).count()["序号"].unstack(1)/5000 #
temp["PSI"] = temp.apply(lambda x:(x[1]-x[0])*(np.log10(x[1]/x[0])/np.log10(np.e)),axis=1) # 计算PSI
# 数据存盘
temp.to_excel("result.xlsx")
2、一次性跑出来也是可以的，但不是所有变量都要分箱吧
import pandas as pd
df = pd.read_excel("./data/1600139052_431496.xlsx")
qc = pd.qcut(df.sort_values("注册时长")["注册时长"],q=4) # 等宽分箱
df = pd.merge(df,qc,left_index=True,right_index=True) # 拼接数据集
df.groupby(["注册时长_y","所在省份"]).count()["序号"].unstack(1)/5000 #聚合转换
之前的解答没有解决我这个区分各省市的问题
是类似这样的效果？分箱分的是注册时长
对，可以给我下完整的代码吗
再补充一下，分箱出来想自动计算好每箱占比，请问怎么操作，如图
这个是想统计每箱的人数。代码可以按如下方式写：
qc.value_counts().sort_index()/5000 # 这里5000是总数量
效果如下：
如果不是等宽分箱可以自己手动指定宽度。这时需要使用pandas的cut方法。
想实现分箱后区分出省份的效果，原始数据里面有省份，如图，请问如何操作
