Python中的Groupby和计数范围和分布

我有

dx

：

   City     Val1        Val2
x1  N1      0.0000      1.0
x2  N1      790.9980    6.0
x3  N2      110.3755    4.0
x4  N1      191.8150    2.0
x5  N2      574.3100    3.0
x6  N1      725.4000    4.0
x7  N3      362.7000    2.0
x8  N1      196.4800    1.0
x9  N3      230.8200    2.0
x10 N1      259.8830    1.0

可复制示例：

dx = pd.DataFrame({'City': {'x1': 'N1',
  'x2': 'N1',
  'x3': 'N2',
  'x4': 'N1',
  'x5': 'N2',
  'x6': 'N1',
  'x7': 'N3',
  'x8': 'N1',
  'x9': 'N3',
  'x10': 'N1'},
 'Val1': {'x1': 0.0,
  'x2': 790.998,
  'x3': 110.3755,
  'x4': 191.81500000000003,
  'x5': 574.31,
  'x6': 725.4,
  'x7': 362.7,
  'x8': 196.48,
  'x9': 230.82,
  'x10': 259.883},
 'Val2': {'x1': 1.0,
  'x2': 6.0,
  'x3': 4.0,
  'x4': 2.0,
  'x5': 3.0,
  'x6': 4.0,
  'x7': 2.0,
  'x8': 1.0,
  'x9': 2.0,
  'x10': 1.0}})

dx

我想按

城市

对它们进行分组，并计算

[020040006008001000]

范围内的

Val1

预期产出：

      (0, 200]   (200, 400]   (400, 600]   (600, 800]   (800, 1000]
City
N1     2          1            0            2            0
N2     1          0            1            0            0
N3     0          2            0            0            0

与一起使用，并通过以下方式添加缺少的类别：

如果添加了“使用”或“与”所有类别：

df = dx.pivot_table(index='State', columns=pd.cut(dx['Val1'], bins=bins), aggfunc='size')

---

与一起使用，并通过以下方式添加缺少的类别：

如果添加了“使用”或“与”所有类别：

df = dx.pivot_table(index='State', columns=pd.cut(dx['Val1'], bins=bins), aggfunc='size')

---

或者您可以尝试：

df = df.assign(bins=pd.cut(df.Val1, bins=[0, 200, 400, 600, 800, 1000])).pivot_table(
    index='City', columns='bins', values='Val2', aggfunc='count')

输出

：

bins  (0, 200]  (200, 400]  (400, 600]  (600, 800]  (800, 1000]
City                                                           
N1           2           1           0           2            0
N2           1           0           1           0            0
N3           0           2           0           0            0

或者您可以尝试：

df = df.assign(bins=pd.cut(df.Val1, bins=[0, 200, 400, 600, 800, 1000])).pivot_table(
    index='City', columns='bins', values='Val2', aggfunc='count')

输出

：

bins  (0, 200]  (200, 400]  (400, 600]  (600, 800]  (800, 1000]
City                                                           
N1           2           1           0           2            0
N2           1           0           1           0            0
N3           0           2           0           0            0