如何在Python中基于动态区间对数据进行分箱统计？

先构造示例数据 #

假设你的DataFrame结构如下（可根据实际情况调整）：

import pandas as pd

# df1：存储各ID对应的动态分箱区间（注意将区间整理为连续的bins数组，比如[100,150,170]对应两个区间[100,150)、[150,170]）
df1 = pd.DataFrame({
    'ID': ['ID_1', 'ID_2'],
    'bins': [[100, 150, 170], [80, 105, 120]]
})

# df2：存储各ID的数值数据
df2 = pd.DataFrame({
    'ID': ['ID_1']*10 + ['ID_2']*10,
    'value': [120, 140, 160, 110, 150, 170, 130, 165, 100, 150] + 
             [90, 100, 105, 110, 80, 120, 95, 105, 115, 85]
})

核心实现代码 #

利用groupby+apply结合value_counts()，可以简洁完成动态分箱的统计：

def process_id_group(group):
    # 获取当前ID对应的分箱规则
    target_bins = df1.loc[df1['ID'] == group.name, 'bins'].iloc[0]
    # 对当前分组的数值进行分箱，include_lowest=True确保左区间最小值被包含
    group['bin_interval'] = pd.cut(group['value'], bins=target_bins, include_lowest=True)
    # 用value_counts()统计各区间数量
    bin_stats = group['bin_interval'].value_counts().reset_index(name='count')
    # 计算占比：当前区间数量/该ID总数据量
    total_samples = group.shape[0]
    bin_stats['proportion'] = bin_stats['count'] / total_samples
    # 补充ID列
    bin_stats['ID'] = group.name
    # 调整列顺序
    return bin_stats[['ID', 'bin_interval', 'count', 'proportion']]

# 按ID分组处理，合并结果得到df3
df3 = df2.groupby('ID').apply(process_id_group).reset_index(drop=True)

结果说明 #

运行后df3为长表格式（适合后续分析），示例输出如下：

可选：转换为宽表格式 #

如果需要将分箱区间作为单独列（方便报表展示），可以用pivot转换：

df3_wide = df3.pivot(
    index='ID',
    columns='bin_interval',
    values=['count', 'proportion']
).reset_index()

# 重命名列，提升可读性
df3_wide.columns = ['ID'] + [f'{interval}_{stat_type}' for stat_type, interval in df3_wide.columns[1:]]

注意事项 #

• 确保df1中的分箱区间连续且无重叠，否则pd.cut会生成NaN，可通过添加dropna=False保留这些记录。
• 若分箱是左开右闭规则，可设置pd.cut(right=False)来匹配区间逻辑。
• 该方案支持任意数量的ID和分箱区间，完全适配动态场景。

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