【Pandasデータ前処理】cut()とqcut()で数値データを「ビン分割」！ビニング処理を徹底解説 📊

データ分析において、数値データ（例: 年齢、売上金額、テストの点数など）をそのまま扱うのではなく、特定の範囲で区切られたグループ（ビン、またはカテゴリ）に変換したい場合があります。例えば、年齢を「10代」「20代」「30代以上」といったグループに分けたり、売上金額を「低」「中」「高」といった階級に分類したりするような処理です。この数値データを区間に分割し、カテゴリデータに変換する作業を「ビニング処理」または「ビン分割」と呼びます。

Pandasは、このビニング処理を効率的に行うための強力な関数である**cut()とqcut()**を提供しています。この記事では、これら2つの関数の基本的な使い方から、それぞれの違い、そして知っておくと便利な応用例まで、短いサンプルコードと丁寧な解説を交えてご紹介します。

ビニング処理（ビン分割）とは？なぜ必要か？

ビニング処理は、連続する数値データを離散的なカテゴリデータに変換するデータ前処理手法です。

なぜビニング処理が必要なのでしょうか？

傾向の把握: 連続値をそのまま見てもわかりにくい傾向が、カテゴリに分けることで見えてくることがあります。
- 例: 年齢をグループ化することで、特定の年代の購買行動パターンが顕著になる。
外れ値の影響軽減: 極端に大きな値や小さな値（外れ値）が、分析結果に過度な影響を与えるのを緩和できます。
モデルの改善: 機械学習モデルによっては、連続値よりもカテゴリデータの方が性能が向上する場合があります。特に線形モデルなど。
データ可視化: グラフ（ヒストグラムなど）でデータを表示する際に、ビンの区切りを使うことでデータの分布がより明確になります。

`cut()`関数：指定した境界値でビン分割

cut()関数は、ユーザーが指定した固定の境界値（例: 0-10, 10-20, 20-30）に基づいて、数値データをビンに分割します。これは、あらかじめ決まった基準でデータを分類したい場合に適しています。

基本的な使い方：境界値の指定

bins引数に境界値のリストを渡します。

Python 

import pandas as pd
import numpy as np

# サンプルSeriesの作成 (年齢データ)
data = pd.Series([5, 12, 18, 25, 33, 40, 55, 62])
print("オリジナルデータ (年齢):\n", data)

# 年齢を'子供', '若者', '大人', '高齢者'に分割
# 境界値: 0-12歳, 12-25歳, 25-60歳, 60歳以上
bins = [0, 12, 25, 60, np.inf] # np.infは無限大
labels = ['子供', '若者', '大人', '高齢者']

age_categories = pd.cut(data, bins=bins, labels=labels, right=False)
print("\n`cut`で年齢をカテゴリ分割後:\n", age_categories)

解説:

bins=[0, 12, 25, 60, np.inf]: ビンの境界値をリストで指定します。np.infは正の無限大を表し、これ以降の全ての値をカバーします。
labels=['子供', '若者', '大人', '高齢者']: 各ビンに対応するラベルをリストで指定します。ラベルを指定しない場合、(境界値1, 境界値2]のような形式の区間が自動でラベルになります。
right=False: 各区間の**右側を閉じる（含まない）**ことを意味します。デフォルトはTrueで、右側が閉じます（例: (12, 25]は12より大きく25以下）。今回はright=Falseなので、[0, 12)は0以上12未満、[12, 25)は12以上25未満、となります。

ラベルを自動生成する

labels=Falseとすると、ビンが自動的に整数値（0, 1, 2…）で表されます。

Python 

# ラベルを自動生成 (0, 1, 2...)
age_bins_auto_label = pd.cut(data, bins=bins, labels=False, right=False)
print("\n`cut`で年齢を自動ラベル分割後:\n", age_bins_auto_label)

`qcut()`関数：データ数を均等に分割（四分位数など）

**qcut()**関数は、データ数をほぼ均等になるようにビン分割します。これは、データの分布に偏りがある場合でも、各ビンに同じくらいの数のデータポイントを入れたい場合に非常に有効です。四分位数（quartiles）や百分位数（percentiles）でデータを分割するのに似ています。

基本的な使い方：分割数の指定

q引数に分割したいビンの数を指定します。

Python 

# サンプルSeriesの作成 (売上データ)
sales_data = pd.Series([10, 25, 30, 45, 50, 65, 70, 85, 90, 100])
print("\nオリジナルデータ (売上):\n", sales_data)

# 売上データを4つのビンに均等分割 (四分位数)
# 各ビンには約25%のデータが入る
sales_quartiles = pd.qcut(sales_data, q=4, labels=['Q1', 'Q2', 'Q3', 'Q4'])
print("\n`qcut`で売上を四分位数分割後:\n", sales_quartiles)

解説:

q=4: データを4つのビンに分割することを指定します。この場合、それぞれのビンにはデータの約25%が含まれるように境界値が自動的に決定されます。
labels=['Q1', 'Q2', 'Q3', 'Q4']: 各ビンに対応するラベルを指定します。ラベルを指定しない場合、cut()と同様に自動で区間がラベルになります。

分位点を直接指定する

qにリストを渡すことで、特定の分位点（例: 0%, 25%, 50%, 75%, 100%）で分割できます。

Python 

# 中央値 (50パーセンタイル) で2分割
sales_median_split = pd.qcut(sales_data, q=[0, 0.5, 1], labels=['下位50%', '上位50%'])
print("\n`qcut`で中央値分割後:\n", sales_median_split)

解説:

q=[0, 0.5, 1]は、0パーセンタイル（最小値）、50パーセンタイル（中央値）、100パーセンタイル（最大値）でデータを分割することを意味します。

`cut()`と`qcut()`の使い分け

どちらの関数を使うべきかは、データの特性と分析の目的によって異なります。

cut():
- 固定の基準や外部の基準（例: 法規制、教科の点数評価基準）でデータを区切りたい場合。
- 各ビンのデータ数が不均等になっても構わない場合。
- 例: 年齢層の定義、試験の評価段階（S, A, B, C）など。
qcut():
- 各ビンにほぼ同数のデータポイントを含めたい場合。
- データの分布に基づいた相対的なランク付けを行いたい場合。
- 例: 売上高を「上位25%」「次の25%」…のように分割、所得を「低所得」「中所得」「高所得」に均等に分類など。