pandas中的cut函数可将一维数据按照给定的区间进行分组，并为每个值分配对应的标签。
其主要功能是将连续的数值数据转化为离散的分组数据，方便进行分析和统计。
数据准备
下面的示例中使用的数据采集自王者荣耀比赛的统计数据。
数据下载地址：databook.top/。
导入数据：
python
# 2023年世冠比赛选手的数据
fp = r"D:\data\player-2023世冠.csv"
df = pd.read_csv(fp)
# 这里只保留了下面示例中需要的列
df = df.loc[:, ["排名", "选手", "场均经济", "场均伤害"]]
df
使用示例
每个选手的**"场均经济"和 "场均伤害"是连续分布的数据，为了整体了解所有选手的情况，
可以使用下面的方法将 "场均经济"和"场均伤害"**分类。
查看数据分布
首先，可以使用直方图的方式看看数据连续分布的情况：
python
import matplotlib.pyplot as plt
df.loc[:, ["场均经济", "场均伤害"]].hist()
plt.show()
图中的横轴 是"经济"和"伤害"的数值，纵轴是选手的数量。
定制分布参数
从默认的直方图中可以看出大部分选手的**"场均经济"和 "场均伤害"**大致在什么范围，
不过，为了更精细的分析，我们可以进一步定义自己的分类范围，看看各个分类范围内的选手数量情况。
比如，我们将**"场均经济"分为3块，分别为 低**（0~5000），中 （5000~10000），高 （10000~20000）。
同样，对于**"场均伤害"，也分为3块，分别为 低**（0~50000），中 （50000~100000），高 （100000~200000）。
python
bins1 = [0, 5000, 10000, 20000]
bins2 = [0, 50000, 100000, 200000]
labels = ["低", "中", "高"]
s1 = "场均经济"
s2 = "场均伤害"
df[f"{s1}-分类"] = pd.cut(df[s1], bins=bins1, labels=labels)
df[f"{s2}-分类"] = pd.cut(df[s2], bins=bins2, labels=labels)
df
分类之后，选手被分到3个类别之中，然后再绘制直方图。
python
df.loc[:, f"{s1}-分类"].hist()
plt.title(f"{s1}-分类")
plt.show()
从这个图看出，大部分选手都是**"中"，"高"**的经济，说明职业选手很重视英雄发育。
python
df.loc[:, f"{s2}-分类"].hist()
plt.title(f"{s2}-分类")
plt.show()
从图中可以看出，打出高伤害的选手比例并不高，可能职业比赛中，更多的是团队作战。
总结
总的来说，cut函数的主要作用是将输入的数值数据（可以是一维数组、Series或DataFrame的列）按照指定的间隔或自定义的区间边界进行划分 ，并为每个划分后的区间分配一个标签。
这样，原始的连续数据就被转化为了离散的分组数据，每个数据点都被分配到了一个特定的组中，从而方便后续进行分析和统计。