使用Pandas按Object与State分组实现多列数据分箱并统计样本数及概率

我会用Python的pandas库来实现你需要的分箱统计功能，这个工具处理表格数据和分组计算非常高效，而且分箱规则可以灵活配置。

步骤1：准备数据与定义分箱规则 #

首先我们先加载你的原始数据，然后定义可配置的分箱区间——你可以根据需求随时调整这些区间的大小、最小值和最大值。

import pandas as pd

# 加载原始数据
data = pd.DataFrame({
    'Object': ['A', 'A', 'A', 'A', 'B', 'C', 'C', 'C'],
    'state': [1, 1, 1, 2, 1, 1, 2, 2],
    'duration_hours': [0.06, 0.87, 1.5, 18, 7, 0.3, 3, 4],
    'interval_hours': [0, 34, 80, 0, 0, 0, 0, 12]
})

# 定义分箱规则：键是字段名，值是分箱区间（可以根据需求修改）
bin_config = {
    'duration_hours': [0, 1, 5, 20],  # 分箱区间：[0,1), [1,5), [5,20)
    'interval_hours': [-1, 50, 100]    # 分箱区间：[-1,50), [50,100)
}

步骤2：实现分组分箱与统计逻辑 #

接下来我们编写一个函数，对每个Object+state的分组，分别处理两个字段的分箱，计算每个分箱的样本数和概率：

def calculate_bin_stats(group, bin_config):
    results = []
    total_samples = len(group)
    
    # 遍历每个需要分箱的字段
    for col, bins in bin_config.items():
        # 对当前字段进行分箱，include_lowest确保左区间包含边界值
        group['bin'] = pd.cut(group[col], bins=bins, include_lowest=True)
        # 统计每个分箱的样本数，并按区间顺序排序
        bin_counts = group['bin'].value_counts().sort_index()
        
        # 转换为结果格式，计算概率（保留两位小数）
        for bin_range, count in bin_counts.items():
            probability = round(count / total_samples, 2)
            results.append({
                'Object': group['Object'].iloc[0],
                'State': group['state'].iloc[0],
                'Metric': col,
                'Bins': bin_range,
                'Data sample': count,
                '概率': probability
            })
    return pd.DataFrame(results)

# 按Object和state分组，应用统计函数
final_result = data.groupby(['Object', 'state']).apply(calculate_bin_stats, bin_config=bin_config).reset_index(drop=True)

步骤3：查看输出结果 #

运行上述代码后，final_result就是符合你需求的统计表格，比如对于Object A、State 1的部分结果如下：

你可以通过修改bin_config里的区间值，轻松调整分箱的大小、最小值和最大值，适配不同的统计需求。

内容的提问来源于stack exchange，提问作者Pranav Arora