从Pandas视角解决Polars的cut函数标签使用困惑

问题背景 #

我正在将代码从 Pandas 迁移至 Polars，使用 cut 函数时发现二者存在差异：

• Polars 无 bin 参数，需自行计算断点；
• 无法理解 Polars 中 label 参数的使用逻辑，必须添加多余标签才能得到与 Pandas 一致的结果，想寻求更优实现方式。

原代码示例（Pandas 实现） #

import numpy as np
import pandas as pd
import polars as pl

# Polars DataFrame示例
data = {
    "value": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
}
df_pl = pl.DataFrame(data)

# 转换为Pandas DataFrame以获取断点
df_pd = df_pl.to_pandas()

# 使用retbins参数获取断点（来自Pandas）
df_pd["cut_label_pd"], breakpoints = pd.cut(df_pd["value"], 4, labels=["low", "medium", "hight", "very high"], retbins=True)
print(pl.from_pandas(df_pd))

Pandas 输出结果

shape: (10, 2)
┌───────┬──────────────┐
│ value ┆ cut_label_pd │
│ ---   ┆ ---          │
│ i64   ┆ cat          │
╞═══════╪══════════════╡
│ 1     ┆ low          │
│ 2     ┆ low          │
│ 3     ┆ low          │
│ 4     ┆ medium       │
│ 5     ┆ medium       │
│ 6     ┆ hight        │
│ 7     ┆ hight        │
│ 8     ┆ very high    │
│ 9     ┆ very high    │
│ 10    ┆ very high    │
└───────┴──────────────┘

print(breakpoints)
# [ 0.991  3.25   5.5    7.75  10.   ]

当前 Polars 实现（需添加多余标签） #

# Polars中使用cut函数
labels = ["don't use it", "low", "medium", "hight", "very high", "don't use it too"] 
df_pl = df_pl.with_columns(
    pl.col("value").cut(breaks=breakpoints, labels=labels).alias("cut_label_pl")
)

print(df_pl)

Polars 输出结果

shape: (10, 2)
┌───────┬──────────────┐
│ value ┆ cut_label_pl │
│ ---   ┆ ---          │
│ i64   ┆ cat          │
╞═══════╪══════════════╡
│ 1     ┆ low          │
│ 2     ┆ low          │
│ 3     ┆ low          │
│ 4     ┆ medium       │
│ 5     ┆ medium       │
│ 6     ┆ hight        │
│ 7     ┆ hight        │
│ 8     ┆ very high    │
│ 9     ┆ very high    │
│ 10    ┆ very high    │
└───────┴──────────────┘

优化解决方案 #

核心差异解析 #

Polars 和 Pandas 的 cut 标签逻辑本质不同：

• Pandas：断点数组长度为 n_bins + 1，标签数量等于 n_bins，每个标签对应相邻两个断点的区间；
• Polars：默认要求标签数量与断点数组长度一致，标签对应每个断点的「左侧区间」，同时用首尾标签处理超出断点范围的数值。

同时注意：Pandas 默认左闭右开区间，Polars 默认左开右闭，需通过 left_closed=True 对齐行为。

方案1：纯 Polars 实现（不依赖 Pandas 生成断点） #

直接用 Polars 计算分位数得到断点，传入与区间数一致的标签即可：

import polars as pl

data = {"value": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]}
df_pl = pl.DataFrame(data)

# 计算4分位数断点，对齐Pandas cut(4)逻辑
breakpoints = df_pl.select(pl.col("value").quantile([0, 0.25, 0.5, 0.75, 1])).to_numpy().flatten()
# 微调第一个断点，避免最小值落在区间外（和Pandas逻辑一致）
breakpoints[0] -= 1e-8

# 标签数量等于区间数（4个），直接传入
labels = ["low", "medium", "hight", "very high"]
df_pl = df_pl.with_columns(
    pl.col("value").cut(
        breaks=breakpoints,
        labels=labels,
        left_closed=True  # 对齐Pandas左闭右开的默认行为
    ).alias("cut_label_pl")
)

print(df_pl)

方案2：复用 Pandas 断点，简化标签映射 #

如果已经通过 Pandas 获取了断点，不需要添加多余标签，而是先获取区间再映射：

import pandas as pd
import polars as pl

data = {"value": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]}
df_pl = pl.DataFrame(data)

# 复用Pandas生成的断点
df_pd = df_pl.to_pandas()
_, breakpoints = pd.cut(df_pd["value"], 4, labels=["low", "medium", "hight", "very high"], retbins=True)

labels = ["low", "medium", "hight", "very high"]
# 先cut得到区间字符串，再用map_dict映射为目标标签
df_pl = df_pl.with_columns(
    pl.col("value").cut(breaks=breakpoints, left_closed=True)
    .map_dict({f"[{breakpoints[i]:.3f}, {breakpoints[i+1]:.3f})": labels[i] for i in range(4)})
    .alias("cut_label_pl")
)

print(df_pl)

方案3：用 Polars qcut 替代（分位数分箱场景） #

如果是基于分位数的分箱，直接用 Polars 的 qcut 函数，它支持直接指定分箱数和标签，无需手动计算断点：

import polars as pl

data = {"value": [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]}
df_pl = pl.DataFrame(data)

df_pl = df_pl.with_columns(
    pl.col("value").qcut(
        q=4,
        labels=["low", "medium", "hight", "very high"],
        left_closed=True
    ).alias("cut_label_pl")
)

print(df_pl)

内容的提问来源于stack exchange，提问作者gillesa