Pandas按年份分组为年代时结果类型异常：整数年份变为浮点数

嘿，我来帮你搞定这个分组后年份变成浮点数的小麻烦～

问题原因 #

你当前代码里用了普通除法 /：

p_b.groupby((p_b.index.year/10)*10).mean()

在Python中，/ 运算会返回浮点数类型，哪怕计算结果是整数值，所以最终的分组键就变成了浮点数（比如1990.0、2000.0），这就是和原回答结果类型不同的核心原因。

解决方案 #

这里有几种简单的修复方法，选你顺手的用就行：

方法1：用整数除法替代普通除法

直接用 // 整数除法，它会直接舍去小数部分，得到纯整数结果：

p_b['yr_built'] = pd.to_datetime(df['yr_built'], format='%Y', errors='coerce').dt.to_period('Y')
p_b = p_b.set_index('yr_built')
# 改用//做整数除法
p_b1 = p_b.groupby((p_b.index.year // 10) * 10).mean()

这样得到的分组键就是整数类型的年代（比如1990、2000），完美匹配你想要的结果。

方法2：将浮点数结果转换为整数

如果不想改除法方式，可以把计算后的结果强制转成整数：

p_b1 = p_b.groupby(((p_b.index.year / 10) * 10).astype(int)).mean()

astype(int) 会把浮点数形式的整数值转成整数类型，同样能解决问题。

方法3：用pd.cut做更灵活的分组（可选）

如果需要更自定义的分组逻辑（比如年代区间不规整），可以用pd.cut来明确分组：

# 提取年份整数
years = p_b.index.year
# 定义分组区间（示例：1900到2020，每10年一组）
bins = range(1900, 2030, 10)
# 分组计算均值
p_b1 = p_b.groupby(pd.cut(years, bins, right=False)).mean()
# 可选：把区间标签转成整十整数（比如把"[1990, 2000)"改成1990）
p_b1.index = p_b1.index.astype(str).str.extract(r'(\d{4})').astype(int)

这个方法适合需要更精细控制分组的场景。

试一下上面的方法，分组后的年份就会是整数类型，后续可视化也能顺利进行啦～

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