在Pandas中将一列数值映射为另一列分类值的实现方法

根据你的需求，我们可以通过几种简洁的方式实现基于score列的数值范围新增names分类列，以下是两种常用方案：

方案一：使用pd.cut()（固定区间分类首选） #

pd.cut()可以直接将数值列按指定区间划分成分类，完美匹配你的场景：

import pandas as pd

# 构造原始DataFrame
df = pd.DataFrame({'score': [16.0, 49.0, 55.0, 65.0, 77.0, 89.0, 98.0]})

# 定义区间边界和对应分类标签
bins = [-float('inf'), 55, 77, 89, float('inf')]
labels = ['low', 'avg', 'high', 'very high']

# 新增分类列
df['names'] = pd.cut(df['score'], bins=bins, labels=labels, include_lowest=True)

print(df)

输出结果：

说明：include_lowest=True确保左区间包含边界值（比如55会被分到第一个区间）。

方案二：使用np.select()（复杂自定义条件首选） #

如果你的分类规则需要更灵活的逻辑（比如非连续区间），可以用np.select()实现：

import pandas as pd
import numpy as np

df = pd.DataFrame({'score': [16.0, 49.0, 55.0, 65.0, 77.0, 89.0, 98.0]})

# 定义每个分类的判断条件和对应标签
conditions = [
    df['score'] <= 55,
    (df['score'] > 55) & (df['score'] <= 77),
    (df['score'] > 77) & (df['score'] <= 89),
    df['score'] > 89
]
choices = ['low', 'avg', 'high', 'very high']

# 新增分类列
df['names'] = np.select(conditions, choices)

print(df)

该方案会得到和上面完全一致的结果，优势是可以自由调整每个分类的判断逻辑，适配更复杂的场景。

内容的提问来源于stack exchange，提问作者User277883