Python 3.10创建DataFrame分桶遇TypeError：无法设置Categorical新类别

我有一个包含AGE和MEDV数值列的DataFrame，想把AGE分成3个分桶后做ANOVA分析，但执行代码时第一行就报错：

TypeError: Cannot setitem on a Categorical with a new category (Less than 35), set the categories first

尝试的代码如下：

df.loc[(df['AGE'] <= 35), 'age_group'] = 'Less than 35'
df.loc[(df['AGE'] > 35)&(df["AGE"] < 70), 'age_group'] = '35 to 70'
df.loc[(df['AGE'] > 70), 'age_group'] = 'Over 70'

# Separate samples into a variable each
a = df[df['age_group'] == "Less than 35"]["MEDV"]
b = df[df['age_group'] == "35 to 70"]["MEDV"]
c = df[df['age_group'] == "Over 70"]["MEDV"]

f_statistic, p_value = stats.f_oneway(a, b, c)
print("F_Statistic: {0}, P-Value: {1}".format(f_statistic,p_value))

使用Python 3.10的Jupyter Notebook，之前在其他环境用过类似代码正常运行，疑惑是遗漏步骤还是版本变更导致？

报错原因 #

这个错误和Python 3.10版本无关，核心问题是你要赋值的age_group列已经被定义为Categorical类型了。Categorical列的特点是只能使用预先定义好的类别值，直接赋值新的类别会触发这个错误。之前其他环境能运行，大概率是当时的age_group列是默认的object（字符串）类型，没有Categorical的限制。

解决方法 #

方法1：先初始化普通字符串列再赋值 #

先创建一个空的字符串列，避免Categorical的限制，赋值完成后可按需转为Categorical类型：

# 先创建普通字符串列
df['age_group'] = ''
# 执行分桶赋值
df.loc[(df['AGE'] <= 35), 'age_group'] = 'Less than 35'
df.loc[(df['AGE'] > 35)&(df["AGE"] < 70), 'age_group'] = '35 to 70'
df.loc[(df['AGE'] > 70), 'age_group'] = 'Over 70'

# 可选：转为有序Categorical类型，方便后续分析
df['age_group'] = pd.Categorical(df['age_group'], categories=['Less than 35', '35 to 70', 'Over 70'], ordered=True)

方法2：预先定义Categorical列的所有类别 #

如果需要一开始就用Categorical类型，先提前声明所有允许的类别：

# 先创建Categorical列并指定所有类别
df['age_group'] = pd.Categorical([], categories=['Less than 35', '35 to 70', 'Over 70'], ordered=True)
# 再执行赋值
df.loc[(df['AGE'] <= 35), 'age_group'] = 'Less than 35'
df.loc[(df['AGE'] > 35)&(df["AGE"] < 70), 'age_group'] = '35 to 70'
df.loc[(df['AGE'] > 70), 'age_group'] = 'Over 70'

方法3：用pd.cut直接生成分桶列（推荐） #

用pandas内置的pd.cut函数可以一步完成分桶，自动处理类别，避免手动赋值的麻烦：

import pandas as pd
from scipy import stats

# 定义分桶边界和标签
bins = [0, 35, 70, float('inf')]
labels = ['Less than 35', '35 to 70', 'Over 70']
# 生成分桶列
df['age_group'] = pd.cut(df['AGE'], bins=bins, labels=labels, include_lowest=True)

# 后续ANOVA代码不变
a = df[df['age_group'] == "Less than 35"]["MEDV"]
b = df[df['age_group'] == "35 to 70"]["MEDV"]
c = df[df['age_group'] == "Over 70"]["MEDV"]

f_statistic, p_value = stats.f_oneway(a, b, c)
print("F_Statistic: {0}, P-Value: {1}".format(f_statistic,p_value))

内容的提问来源于stack exchange，提问作者AJD