如何基于频率对数据分箱以实现数据均匀分布？

嘿，这个问题我熟！等频分箱（也就是你说的基于频率的分箱）就是解决数据均匀分布分箱的完美方案，我给你一步步拆解怎么做，还附上实用的代码示例：

核心思路 #

等频分箱的目标是让每个分箱内包含的样本数量尽可能相等，这样就能避免出现某个区间数据扎堆、另一个区间空空如也的情况，让数据分布更均匀。

手动分箱步骤（适合小数据集） #

你的原始数据是：89, 54, 45, 67, 78, 80，总共6个数据，想要每个区间数量一致，按下面的步骤来：

1. 先给数据排序
   分箱的前提是数据有序，把原始数据从小到大排列：
   45, 54, 67, 78, 80, 89

2. 确定分箱数量与单箱样本数
   总数据量是6，如果你期望每个区间有2个样本，那直接分成 6 ÷ 2 = 3 个箱就行（刚好是整数倍，非常省心）。如果数据量不是整数倍，通常会让首尾的箱稍微调整样本数，保证整体尽量均匀。

3. 划分区间并统计数量
   按排序后的顺序，每2个数据归为一组，用组内的最小值和最大值作为区间范围：

   • 第一组：45、54 → 区间 45 - 54，数量2
   • 第二组：67、78 → 区间 67 - 78，数量2
   • 第三组：80、89 → 区间 80 - 89，数量2
     这样就得到了你想要的均匀分布结果。

代码实现（适合大数据集） #

如果你的数据量很大，手动分箱太麻烦，用Python的pandas库的qcut函数可以一键完成等频分箱，这是专门做这类分箱的工具：

import pandas as pd

# 原始数据
raw_data = [89, 54, 45, 67, 78, 80]
# 转换为pandas Series格式
data_series = pd.Series(raw_data)

# 执行等频分箱，分成3个箱，同时返回区间边界
bins_result, bin_edges = pd.qcut(data_series, q=3, retbins=True)

# 统计每个区间的样本数量，并按区间顺序排序
count_by_bin = bins_result.value_counts().sort_index()

# 输出成你想要的格式
print("Interval\tCount")
for interval, count in count_by_bin.items():
    # 把pandas的区间对象转换成"min - max"的字符串格式
    interval_str = f"{interval.left} - {interval.right}"
    print(f"{interval_str}\t{count}")

运行这段代码后，输出结果和你期望的完全一致：

Interval	Count
45 - 54		2
67 - 78		2
80 - 89		2

注意事项 #

• 如果数据量不是分箱数的整数倍，qcut会自动调整区间范围，让每个箱的样本数尽可能接近（比如7个数据分3箱，会有两个箱2个样本，一个箱3个样本）。
• 区间的端点规则（比如是否包含左/右边界）可以通过qcut的参数调整，默认是左闭右开，如果你需要修改可以查一下官方文档的参数说明。

内容的提问来源于stack exchange，提问作者Nabih Bawazir