如何为散点图各象限数据创建QUADRANT分类变量？

针对手动定义坐标轴区间、为数据点分配象限编号的需求，这里提供两种比嵌套np.where()更简洁的实现方式：

方法1：分箱+映射表（灵活适配任意编号规则） #

先对x、y轴分别分箱，再通过自定义映射表直接匹配象限编号，适合编号规则无规律的场景。

import pandas as pd
import numpy as np

# 模拟示例数据
df = pd.DataFrame({
    'x': np.random.uniform(0, 80, 100),
    'y': np.random.uniform(0, 150, 100)
})

# 手动定义区间边界
x_bins = [0, 20, 40, 60, 80]  # x轴划分4个区间
y_bins = [0, 60, 120, 150]    # y轴划分3个区间

# 为x、y生成分箱标签
df['x_segment'] = pd.cut(df['x'], bins=x_bins, labels=['x1','x2','x3','x4'], include_lowest=True)
df['y_segment'] = pd.cut(df['y'], bins=y_bins, labels=['y1','y2','y3'], include_lowest=True)

# 自定义象限编号映射（完全按你的需求定义）
quadrant_mapping = {
    ('y3', 'x1'): 1, ('y3', 'x2'): 2, ('y3', 'x3'): 3, ('y3', 'x4'): 4,
    ('y2', 'x1'): 5, ('y2', 'x2'): 6, ('y2', 'x3'): 7, ('y2', 'x4'): 8,
    ('y1', 'x1'): 9, ('y1', 'x2'): 10, ('y1', 'x3'): 11, ('y1', 'x4'): 12
}

# 生成QUADRANT列
df['QUADRANT'] = df[['y_segment', 'x_segment']].apply(tuple, axis=1).map(quadrant_mapping)

# 可选：清理中间分箱列
df = df.drop(['x_segment', 'y_segment'], axis=1)

方法2：索引计算（适合规则排列的象限） #

如果象限编号是按固定顺序排列的（比如y从高到低、x从左到右依次编号），可以用np.digitize获取区间索引，直接计算编号，无需手动写映射表。

import pandas as pd
import numpy as np

df = pd.DataFrame({
    'x': np.random.uniform(0, 80, 100),
    'y': np.random.uniform(0, 150, 100)
})

# 手动定义区间边界（right=True让区间左闭右开，适配你的范围要求）
x_bins = [0, 20, 40, 60, 80]
y_bins = [0, 60, 120, 150]

# 获取x、y所在区间的索引（从1开始计数）
x_idx = np.digitize(df['x'], x_bins, right=True)
y_idx = np.digitize(df['y'], y_bins, right=True)

# 按y从高到低、x从左到右的规则计算编号
# y有3个区间，每个y区间对应4个x编号，y_idx=3对应最高y区间，编号从1开始
df['QUADRANT'] = (3 - y_idx) * len(x_bins[:-1]) + x_idx

内容的提问来源于stack exchange，提问作者dummyds