使用pd.qcut计算RFM分位数出现分箱边重复、标签不匹配错误如何解决

边界重复报错触发原因 #

你的RFM指标对应列存在大量重复值，以报错给出的边界数组[ 1., 1., 1., 1., 37.]为例，说明对应列75%以上的数值都是1，pd.qcut()默认按分位数生成4等份对应5个边界时，前4个边界值完全相同，不符合分箱逻辑，因此触发报错。

标签数量不匹配报错触发原因 #

添加duplicates='drop'参数后，pandas会自动删除重复的边界值，上面的例子里5个重复边界删除后仅剩[1., 37.]2个边界，2个边界只能对应1个分箱，仅需要1个标签，但你传入了4个标签['1','2','3','4']，标签数量比实际需要的多，因此触发该报错。

你可以根据自己的业务需求选择以下任意一种方案：

• 方案1：先确认数据分布，再调整分箱逻辑
  先执行代码查看各列唯一值数量：

  print(rfm[['recency','frequency','sum_non_compliance']].nunique())
  

  如果某列唯一值数量小于4，说明该列本身无法被分为4个分位数箱，可降低分箱数，或者改用pd.cut()做等宽分箱。
• 方案2：动态生成匹配数量的标签
  先计算实际分箱数量，再生成对应长度的标签，示例代码如下：

  # 以recency列为例，其他列按相同逻辑修改即可
  # 先获取去重后的分箱边界
  test_cut = pd.qcut(rfm['recency'], 4, duplicates='drop')
  # 生成和分箱数量一致的标签
  labels = [str(i+1) for i in range(len(test_cut.cat.categories))]
  # 正式生成分箱列
  rfm['r_quartile'] = pd.qcut(rfm['recency'], 4, labels=labels, duplicates='drop')
  

• 方案3：强制分为4个箱（保留4档RFM评分）
  如果业务要求必须保留4档评分，可以先对原始值做排名处理，避免重复值影响分箱，示例代码如下：

  # 用rank方法的first规则给相同值分配不同排名，消除重复值，再做分箱
  rfm['r_quartile'] = pd.qcut(rfm['recency'].rank(method='first'), 4, ['1','2','3','4'])
  rfm['f_quartile'] = pd.qcut(rfm['frequency'].rank(method='first'), 4, ['1','2','3','4'])
  rfm['m_quartile'] = pd.qcut(rfm['sum_non_compliance'].rank(method='first'), 4, ['1','2','3','4'])
  

内容的提问来源于stack exchange，提问作者adey27