pandas中的cut函數可將一維數據按照給定的區間進行分組，併為每個值分配對應的標簽。
其主要功能是將連續的數值數據轉化為離散的分組數據，方便進行分析和統計。

1. 數據準備

下麵的示例中使用的數據採集自王者榮耀比賽的統計數據。
數據下載地址：https://databook.top/。

導入數據：

# 2023年世冠比賽選手的數據
fp = r"D:\data\player-2023世冠.csv"

df = pd.read_csv(fp)

# 這裡只保留了下麵示例中需要的列
df = df.loc[:, ["排名", "選手", "場均經濟", "場均傷害"]]
df

2. 使用示例

每個選手的“場均經濟”和“場均傷害”是連續分佈的數據，為了整體瞭解所有選手的情況，
可以使用下麵的方法將“場均經濟”和“場均傷害”分類。

2.1. 查看數據分佈

首先，可以使用直方圖的方式看看數據連續分佈的情況：

import matplotlib.pyplot as plt

df.loc[:, ["場均經濟", "場均傷害"]].hist()
plt.show()

圖中的橫軸是“經濟”和“傷害”的數值，縱軸是選手的數量。

2.2. 定製分佈參數

從預設的直方圖中可以看出大部分選手的“場均經濟”和“場均傷害”大致在什麼範圍，
不過，為了更精細的分析，我們可以進一步定義自己的分類範圍，看看各個分類範圍內的選手數量情況。

比如，我們將“場均經濟”分為3塊，分別為低（0~5000），中（5000~10000），高（10000~20000）。
同樣，對於“場均傷害”，也分為3塊，分別為低（0~50000），中（50000~100000），高（100000~200000）。

bins1 = [0, 5000, 10000, 20000]
bins2 = [0, 50000, 100000, 200000]

labels = ["低", "中", "高"]
s1 = "場均經濟"
s2 = "場均傷害"
df[f"{s1}-分類"] = pd.cut(df[s1], bins=bins1, labels=labels)
df[f"{s2}-分類"] = pd.cut(df[s2], bins=bins2, labels=labels)

df

分類之後，選手被分到3個類別之中，然後再繪製直方圖。

df.loc[:, f"{s1}-分類"].hist()
plt.title(f"{s1}-分類")
plt.show()

從這個圖看出，大部分選手都是“中”，“高”的經濟，說明職業選手很重視英雄發育。

df.loc[:, f"{s2}-分類"].hist()
plt.title(f"{s2}-分類")
plt.show()

從圖中可以看出，打出高傷害的選手比例並不高，可能職業比賽中，更多的是團隊作戰。

3. 總結

總的來說，cut函數的主要作用是將輸入的數值數據（可以是一維數組、Series或DataFrame的列）按照指定的間隔或自定義的區間邊界進行劃分，併為每個劃分後的區間分配一個標簽。

這樣，原始的連續數據就被轉化為了離散的分組數據，每個數據點都被分配到了一個特定的組中，從而方便後續進行分析和統計。