我们在进行建模的过程种，经常会遇到类似于年龄、收入这样连续的特征，可以把这些特征进行一定的处理，从而衍生出更多的特征。数据分箱是数据预处理的一种方式，我们将连续型的特征进行离散化。

例如：年龄这样的特征，我们可以按照常识进行分箱，

0-18岁：未成年人 
18-60：青年人
60以上：老年人

pandas的cut方法可以实现数据分箱处理，可以指定给定的分箱区间，也可以不指定分割区间。

首先，生成15个随机数用于演示分箱：

import numpy as np
import pandas as pd

factors = np.random.randn(15)      # 生成15个随机数
print(factors)

查看15个随机数：

array([ 2.30935086, -0.17740913, -0.48145306,  1.04689702,  0.90490781,
    0.84329283,  0.98864297, -1.91172742, -0.45327318, -1.83906241,
    0.55662469, -0.67727494,  0.71716876,  0.30296666, -0.51641444])

然后，使用pandas里的cut方法（不指定分箱区间）进行分箱

pd.cut(factors,3) 

分箱结果如下：

[(0.902, 2.309], (-0.505, 0.902], (-0.505, 0.902], (0.902, 2.309], (0.902, 2.309], 
..., (-0.505, 0.902], (-1.916, -0.505], (-0.505, 0.902], (-0.505, 0.902], (-1.916, -0.505]]
Length: 15
Categories (3, interval[float64]): [(-1.916, -0.505] < (-0.505, 0.902] < (0.902, 2.309]]

第一行显示每一个数所属的分箱区间，Categories 为每个分箱区间的范围，需要说明的是，该区间为先开后闭

使用pandas的cut方法（指定分箱区间），并指定分箱区间的别名

bins = [-2,0,1,10]
pd.cut(factors, bins, labels=['low','middle','high'])

分箱结果：

[high, low, low, high, middle, ..., middle, low, middle, middle, low]
Length: 15
Categories (3, object): [low < middle < high]

将factors按照给定区间分箱，并用labels的值替换原有的分箱区间，方便阅读

到这里就完美了吗？

并没有，pandas同时提供了qcut的方法，进行自动分箱，qcut根据数据进行等分
使用上面的数据进行举例

 pd.qcut(factors,3,labels=['low','middle','high'])

分箱结果如下：

[high, middle, low, high, high, ..., middle, low, middle, middle, low]
Length: 15
Categories (3, object): [low < middle < high]

查看每个分箱的个数：

 pd.qcut(factors,3).value_counts()

结果如下：

(-1.9129999999999998, -0.463]    5
(-0.463, 0.759]                  5
(0.759, 2.309]                   5

我们回头看一下，不指定分割范围的cut方法进行分割后，每个分箱的个数

pd.cut(factors,3).value_counts()

结果如下：

(-1.916, -0.505]    4
(-0.505, 0.902]     7
(0.902, 2.309]      4    

从上述两个例子中，可以明显看出，cut方法会根据数据的取值区间进行等分，然后将数据进行分箱，每个分箱的元素个数可能不相等，而qcut方法则是每个分箱中的元素完全相等。

参考链接：
[1].What is the difference between pandas.qcut and pandas.cut?