在Pandas/Numpy中实现距离值向最近binsize倍数取整的简便方法

我有一个包含float64类型距离值的DataFrame，示例代码如下：

import numpy as np
import pandas as pd
binsize = 0.05
df = pd.DataFrame()
df['distance'] = [0.01555, 0.6, 0.99, 1.24] 

输出结果为：

distance
0   0.01555
1   0.60000
2   0.99000
3   1.24000

我希望将该列的最小值和最大值取整到最接近的binsize倍数，目前的实现方式是：

np.round(np.round(df['distance'].min() / binsize) * binsize, 2)
np.round(np.round(df['distance'].max() / binsize) * binsize, 2)

此方法会得到0.0和1.25的结果，请问是否有更简便的实现方式？

以下几种方式可以达到相同效果，且代码更简洁：

方式1：合并round操作 #

不需要嵌套两层np.round()，先完成倍数取整，再统一处理小数位数即可：

min_val = np.round(df['distance'].min() / binsize) * binsize
max_val = np.round(df['distance'].max() / binsize) * binsize
# 处理浮点数精度，保留两位小数
min_val = np.round(min_val, 2)
max_val = np.round(max_val, 2)

运行后同样得到0.0和1.25的结果。

方式2：使用pandas内置round方法 #

利用DataFrame列的round()方法，逻辑和方式1一致，更贴合pandas使用场景：

min_val = (df['distance'].min() / binsize).round() * binsize
max_val = (df['distance'].max() / binsize).round() * binsize
min_val = min_val.round(2)
max_val = max_val.round(2)

补充说明 #

如果遇到浮点数精度异常（比如出现0.05000000000000001这类结果），可以直接用np.around()或者字符串格式化修正，但上述方法已经能覆盖大部分常规场景。

内容的提问来源于stack exchange，提问作者Sheldon