Python案例如何用Pandas做数据区间统计

本文目录导读：

1. 基本区间统计 - cut() 函数
2. 等宽区间统计
3. 等频区间统计（分位数）
4. 实际应用案例：销售数据分析
5. 多维度区间统计
6. 动态区间划分
7. 高级统计：区间与聚合

我来给你展示几个使用Pandas进行数据区间统计的常用方法。

基本区间统计 - cut() 函数

import pandas as pd
import numpy as np
# 创建示例数据
data = {
    '姓名': ['张三', '李四', '王五', '赵六', '钱七', '孙八', '周九', '吴十'],
    '年龄': [22, 35, 28, 45, 18, 52, 33, 41],
    '分数': [85, 92, 78, 65, 95, 88, 72, 90]
}
df = pd.DataFrame(data)
print("原始数据:")
print(df)
# 方法1：指定区间边界
bins = [0, 20, 30, 40, 50, 60]
age_groups = pd.cut(df['年龄'], bins=bins, labels=['青少年', '青年', '壮年', '中年', '老年'])
df['年龄分组'] = age_groups
print("\n年龄分组结果:")
print(df)
# 统计各年龄段人数
print("\n各年龄段人数统计:")
print(df['年龄分组'].value_counts().sort_index())

等宽区间统计

# 方法2：自动等宽划分（分成4组）
score_groups = pd.cut(df['分数'], bins=4, labels=['差', '中', '良', '优'])
df['分数等级'] = score_groups
print("等宽划分结果:")
print(df)
# 查看具体的分割点
print("\n分数分割点:")
print(pd.cut(df['分数'], bins=4).value_counts())

等频区间统计（分位数）

# 方法3：等频划分（按分位数）
score_groups_qcut = pd.qcut(df['分数'], q=4, labels=['Q1', 'Q2', 'Q3', 'Q4'])
df['分数四分位'] = score_groups_qcut
print("等频划分结果:")
print(df)
# 查看每个区间的数据量
print("\n各分位数区间数据量:")
print(df['分数四分位'].value_counts().sort_index())

实际应用案例：销售数据分析

# 创建销售数据
np.random.seed(42)
sales_data = {
    '日期': pd.date_range('2023-01-01', periods=100, freq='D'),
    '销售额': np.random.randint(1000, 10000, 100),
    '客户数量': np.random.randint(10, 100, 100)
}
sales_df = pd.DataFrame(sales_data)
# 定义销售额区间
sales_bins = [0, 2000, 4000, 6000, 8000, 10000]
sales_labels = ['低（<2000）', '中低（2000-4000）', '中等（4000-6000）', 
                '中高（6000-8000）', '高（8000-10000）']
sales_df['销售额区间'] = pd.cut(sales_df['销售额'], 
                                bins=sales_bins, 
                                labels=sales_labels)
print("销售数据前10行:")
print(sales_df.head(10))
# 统计各区间数据
print("\n各销售额区间统计:")
print(sales_df['销售额区间'].value_counts().sort_index())
# 添加更多统计信息
stats = sales_df.groupby('销售额区间').agg({
    '销售额': ['count', 'mean', 'sum'],
    '客户数量': 'mean'
}).round(2)
print("\n各区间详细统计:")
print(stats)

多维度区间统计

# 创建更复杂的示例数据
complex_data = {
    '部门': ['销售']*20 + ['技术']*20 + ['市场']*20,
    '绩效': np.random.randint(60, 100, 60),
    '年龄': np.random.randint(25, 50, 60)
}
complex_df = pd.DataFrame(complex_data)
# 同时按部门和对绩效进行区间统计
perf_bins = [60, 70, 80, 90, 100]
perf_labels = ['不及格', '及格', '良好', '优秀']
complex_df['绩效等级'] = pd.cut(complex_df['绩效'], 
                                 bins=perf_bins, 
                                 labels=perf_labels)
# 部门与绩效等级的交叉统计
cross_tab = pd.crosstab(complex_df['部门'], 
                        complex_df['绩效等级'], 
                        margins=True, 
                        margins_name='合计')
print("部门与绩效等级交叉统计:")
print(cross_tab)
# 多个维度分组统计
multi_stats = complex_df.groupby(['部门', '绩效等级']).agg({
    '绩效': ['count', 'mean'],
    '年龄': 'mean'
}).round(2)
print("\n多维分组统计:")
print(multi_stats)

动态区间划分

def dynamic_binning(data, num_bins=5):
    """动态创建等宽区间"""
    min_val, max_val = data.min(), data.max()
    bin_width = (max_val - min_val) / num_bins
    # 创建区间边界
    bins = [min_val + i * bin_width for i in range(num_bins + 1)]
    labels = [f'等级{i+1}' for i in range(num_bins)]
    return pd.cut(data, bins=bins, labels=labels, include_lowest=True)
# 应用动态区间
df['动态年龄分组'] = dynamic_binning(df['年龄'], num_bins=4)
print("动态区间划分结果:")
print(df[['姓名', '年龄', '动态年龄分组']])

高级统计：区间与聚合

# 创建月份和销售额数据
date_data = {
    '月份': ['2023-01', '2023-02', '2023-03'] * 10,
    '销售额': np.random.randint(5000, 30000, 30),
    '成本': np.random.randint(3000, 20000, 30)
}
monthly_df = pd.DataFrame(date_data)
# 对销售额进行区间划分
monthly_df['销售区间'] = pd.cut(monthly_df['销售额'], 
                                 bins=[0, 10000, 20000, 30000],
                                 labels=['小规模', '中等规模', '大规模'])
# 按区间和月份进行汇总
summary = monthly_df.groupby(['月份', '销售区间']).agg({
    '销售额': ['count', 'mean', 'sum'],
    '成本': 'mean'
}).round(2)
print("月度销售区间汇总:")
print(summary)

1. pd.cut() - 按照指定的区间边界进行等宽分段
2. pd.qcut() - 按照分位数进行等频分段
3. value_counts() - 统计每个区间的数据量
4. groupby() - 按区间分组后进行聚合计算
5. crosstab() - 创建交叉统计表

这些方法可以灵活组合,满足各种数据区间统计需求，关键是选择合适的区间划分策略（等宽或等频）和合适的统计指标。