为何pd.cut会生成NaN值？附代码示例与输出差异

核心原因 #

你的代码里存在两个关键问题，直接导致Bin列全为NaN：

• 数值与分箱区间完全不重叠：待分箱的序列s是[0,1,2,3,4,5]，但你指定的分箱区间是[105,110)、[110,115)、[115,120)、[120,125)、[125,130]。所有数值都落在这些区间之外，而pd.cut默认会把任何不属于指定区间的值标记为NaN。
• 逻辑匹配错误：你试图将s的分箱结果和Frequency列表绑定，但两者的逻辑对应关系不成立——s的每个元素对应一个分箱结果，而不是每个分箱对应一个Frequency值。

修正方案 #

根据你的需求，有两种常见的修正方向：

方向1：给s的数值设置匹配的分箱区间

如果你的目标是对s里的0-5进行分箱，需要调整分箱区间到该数值范围内：

import pandas as pd
import numpy as np

s = pd.Series(np.arange(6))
# 设置适配0-5的分箱区间
df = pd.DataFrame({'Bin': pd.cut(s, [0, 2, 4, 6]),
                   'Frequency': [2,5,6,8,8,1]})
print(df)

输出中Bin列会根据s的数值匹配对应的区间，不再是NaN。

方向2：直接将分箱区间与Frequency绑定

如果你的目标是展示分箱区间和对应的频率值，不需要依赖s的分箱结果，直接构造分箱区间即可：

import pandas as pd
import numpy as np

# 创建分箱区间（注意和Frequency的长度匹配，这里补一个区间适配6个Frequency值）
bins = pd.IntervalIndex.from_tuples([(105,110), (110,115), (115,120), (120,125), (125,130), (130,135)])
df = pd.DataFrame({'Bin': bins, 'Frequency': [2,5,6,8,8,1]})
print(df)

这样Bin列会直接显示你需要的分箱区间，和Frequency一一对应。

内容的提问来源于stack exchange，提问作者Jimmy3421