如何在Pandas中按年份子集对数据行进行分箱与分类？

核心思路 #

按date_start提取的年份分组，对每个年份的count_per_10k数据单独计算分箱区间（基于该年份自身的数值范围），再用pd.cut分成8个类别，确保每个年份的分箱适配自身数据分布，而非用全数据集的统一区间。

具体步骤&代码 #

1. 处理日期列（若未转为datetime格式）

import pandas as pd
import numpy as np

# 将date_start转为datetime类型
df['date_start'] = pd.to_datetime(df['date_start'])
# 提取年份列，方便后续分组操作
df['year'] = df['date_start'].dt.year

2. 定义分箱函数
   该函数会针对每个年份组单独计算分箱边界，生成8个等分区间：

def bin_yearly_data(group):
    # 获取当前年份组count_per_10k的最小、最大值
    val_min = group['count_per_10k'].min()
    val_max = group['count_per_10k'].max()
    # 生成8个箱的边界（8个箱需要9个分界点）
    bins = np.linspace(val_min, val_max, num=9)
    # 执行分箱，添加新列存储分类结果，同时确保最小值被包含在第一个箱中
    group['count_bin'] = pd.cut(
        group['count_per_10k'],
        bins=bins,
        labels=[f"第{i+1}类" for i in range(8)],
        include_lowest=True
    )
    return group

3. 按年份分组应用分箱逻辑

# 按年份分组，对每个组执行分箱操作
df_binned = df.groupby('year').apply(bin_yearly_data)

关键说明 #

• 每个年份的分箱区间独立计算，不受其他年份数据干扰，能更精准反映当年count_per_10k的分布情况
• 若无需自定义标签，可去掉labels参数，count_bin列会直接显示区间字符串（如(0.2, 1.5]）
• include_lowest=True用于避免最小值因浮点精度问题落在第一个区间之外

内容的提问来源于stack exchange，提问作者Flim Springfield