如果有一组数据，需要根据不同的范围返回一个标签，比如，一组成绩，60分以下不合格，60-80：良，80-95：优秀，我们可以通过判断来实现这个功能，但是如果让你平均分成4份，可能就会稍微麻烦点，在pandas中提供了一个可以实现上述功能的方法:
参数解释：
pandas.cut
pandas.cut(x, bins, right=True, labels=None, retbins=False, precision=3, include_lowest=False, duplicates='raise')[source]
Bin值为离散间隔。
需要将数据值分段并排序到箱中时使用cut。 此函数对于从连续变量转换为分类变量也很有用。 例如，cut可以将年龄转换为年龄范围组。 支持分箱到相同数量的箱柜或预先指定的箱柜阵列。
x : array-like
数组或者序列，但是必须是一维的
bins : int, sequence of scalars, or IntervalIndex
int：定义x范围内的等宽bin的数量。 x的范围在每一侧扩展0.1％，以包括x的最小值和最大值。标量序列：定义bin边缘，允许不均匀的宽度。 没有扩展x的范围。IntervalIndex：定义要使用的精确bin。 请注意，bin的IntervalIndex必须不重叠。right : bool, default True
指示是否包含最右边。 如果right == True（默认值），则bin [1,2,3,4]表示(1,2], (2,3], (3,4]。当bin是IntervalIndex时，该参数被忽略。
labels : array or bool, optional
指定返回的bin的标签。 必须与生成的箱柜长度相同。 如果为False，则仅返回bin的整数指示符。 这会影响输出容器的类型（见下文）。 当bin是IntervalIndex时，将忽略此参数。
retbins : bool, default False
表示是否将分割后的bins返回，当bins为一个int型的标量时比较有用，这样可以得到划分后的区间，默认为False。
precision : int, default 3
保留区间小数点的位数，默认为3.
include_lowest : bool, default False
bool型的参数，表示区间的左边是开还是闭的，默认为false，也就是不包含区间左部（闭）。
duplicates : {default ‘raise’, ‘drop’}, optional
是否允许重复区间。有两种选择：raise：不允许，drop：允许。
out：一个pandas.Categorical, Series或者ndarray类型的值，代表分区后x中的每个值在哪个bin（区间）中，如果指定了labels，则返回对应的label。
bins：分隔后的区间，当指定retbins为True时返回。
实例：
如果传入的是一个数组：
pd.cut(np.array([1, 7, 5, 4, 6, 3]), 3)
把它分成3份：
返回的是每个数据所在的区间
如果我们想看一下如何划分区间的：
pd.cut(np.array([1, 7, 5, 4, 6, 3]), 3, retbins=True)
如果想给每个划分的区间设置一个标签：
pd.cut(np.array([1, 7, 5, 4, 6, 3]), 3, labels=["bad", "medium", "good"])
返回的就不在是对应的划分区间，而是划分区间对应的标签，
需要注意的是标签要和划分的区间长度要相等
现在我们传入一个序列
s = pd.Series(np.array([2, 4, 6, 8, 10]),
index=['a', 'b', 'c', 'd', 'e'])
现在分成3组：
pd.cut(s, 3)
查看分的组：
pd.cut(s, 3,retbins=True)
给每个分组添加标签：
pd.cut(s, 3, labels=["bad", "medium", "good"])
如果传入bins一个分好的组：
pd.cut(s, bins=[0, 2, 4, 6, 8, 10], labels=False, retbins=True, right=False)
接下来需要讲一下分组的边界问题：
主要涉及这几个参数：right、include_lowest 、duplicates
right：默认为True
在默认情况下，每段值是不包含左边的界值，包含右边的界值（如上图）。
如果我们要选择左边界，那么只需要加一个参数：right = False就可以。
include_lowest:默认为FALSE
第一个间隔是否应该是包含在内
bins给定分组的第一个值是否包含在内，默认是不包含的，可以修改为True
duplicates：{default ‘raise’, ‘drop’}, optional
是否允许重复区间。有两种选择：raise：不允许，drop：允许。
扩展应用：groupby中利用cut分组当做分组的键：
新建数据：
df = pd.DataFrame({'Age': np.random.randint(20, 70, 100),
'Sex': np.random.choice(['Male', 'Female'], 100),
'number_of_foo': np.random.randint(1, 20, 100)})
df
利用分好的组当做分组的键：
age_groups = pd.cut(df['Age'], bins=[19,40,65,np.inf])
df.groupby(age_groups).mean()