如何正确使用pd.cut高效实现街道号的批量分箱？

不需要手动构建超长的bins和labels，有两种简便方式实现需求：

方法一：直接数学计算（最高效） #

利用整数除法的特性，一行代码就能生成目标列，比pd.cut更简洁高效：

# 生成数值型BIN
df['BIN'] = ((df['STREET_NO'] - 1) // 300) * 300

# 如果需要字符串类型的BIN，加astype转换
df['BIN'] = (((df['STREET_NO'] - 1) // 300) * 300).astype(str)

逻辑说明：

• 减1是为了让300刚好归入0的区间（否则300//300=1会得到300，不符合需求）
• 整除300得到区间的索引，再乘以300就得到对应区间的起始值

方法二：结合numpy自动生成bins（适配pd.cut） #

如果坚持想用pd.cut，可以用numpy.arange自动生成所有区间分界：

import numpy as np

# 生成从0开始、步长300、覆盖到99999以上的bins数组
bins = np.arange(0, 99999 + 300, 300)
# labels直接取bins的前n-1个元素，转成字符串
labels = bins[:-1].astype(str)

# 用pd.cut分箱，include_lowest=True确保左边界包含第一个区间的最小值
df['BIN'] = pd.cut(x=df['STREET_NO'], bins=bins, labels=labels, include_lowest=True)

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