Python初心者向け：関数を使って数値データをカテゴリ化する

はじめに

今回も数値データのカテゴリ化を扱います。前回は、、一例として年齢を年代別にカテゴリ化しました。mathライブラリのfloorモジュールは使いましたが、数値データをカテゴリ化する専用の関数は使わずにおこないました。今回は、関数を使ってカテゴリ化する処理を紹介します。

▶ 専用の関数を使わずに数値データをカテゴリ化する方法は以下の記事を参考にしてください。

数値データを任意の境界で区切り、カテゴリデータへ変換する処理をビン分割といいます。pandasには、このビン分割をする方法としてcut()メソッドとqcut()メソッドが用意されています。

cut()メソッドは数値データの「値」をもとにビン分割をおこない、qcut()メソッドは数値データの「量」をもとにビン分割します。順にみていきましょう。

今回も年齢を年代別にわけることにしましょう。まずはサンプルデータを作ります。

# ライブラリのインポート
import pandas as pd
import numpy as np

# サンプルデータの作成
age=pd.Series(np.random.randint(0,80,20))
print(list(age))

cut()メソッドを使って年代別にビン分割してみましょう。cut()メソッドは第1引数に分割をおこないたい一次元データを与えます（リストでもシリーズでもいけます）。第2引数(bins)はビン分割の区分をリストで与えます。

pd.cut(list(age),bins=[0,10,19,29,39,49,59,69])

出力は、（は境界を含まず、]は境界を含みます。そのため、一つ目の出力の(49,0,59.0]は、49より大きく59以下を意味します。

次に30歳で2分割してみましょう。29歳以下と30歳以上に分けます。その場合は次のようにします。

pd.cut(list(age),bins=[0,29,70])

カテゴリ化した各データにラベルをつけることもできます。labels引数でラベルを与えます。

pd.cut(list(age),bins=[0,29,70],labels=['lower','upper'])

カテゴリ化した各区分領域に属する値を集計することもできます。これは、value_counts()でおこないます。

age_cut=pd.cut(list(age),bins=[0,29,70],labels=['lower','upper'])
age_cut.value_counts()

次にqcut()メソッドを確認しておきましょう。qcut()メソッドは「量」をもとにビン分割をおこないます。第2引数qに分割数をまたは文意数を指定します。分割数を指定した場合、各区分領域の要素数が等しくなるような処理がされます。

pd.qcut(list(age),q=2)

次に分位数を指定する場合です。q分位数をリストで指定します。

pd.qcut(list(age),q=[0,0.25,0.5,0.75,1])

qcut()メソッドでも、cut()メソッドと同様にlabels引数が使えます。やってみましょう。

pd.qcut(list(age),q=2,labels=['lower','upper'])

いかがでしたか？今回は２つの分割方法をご紹介しました。自分で分けたい区分領域を指定する方法、もう一つは、分割数を指定する方法ですね。分割数を指定する方法では、各区分領域の要素数が等しくなるように分割されます。

▶ 他にもいろんな前処理の記事があります。