如何在Pandas中按b列等和对a列进行n个区间分箱？

你需要把DataFrame的a列分成n个区间，同时让每个区间对应的b列总和尽量相等，而不是用pd.cut默认方式导致的b总和差异悬殊。下面是具体实现步骤：

实现步骤 #

1. 先对a列排序 #

因为要基于a的顺序累计b的值，所以先做排序处理：

df_sorted = df.sort_values('a').reset_index(drop=True)

2. 计算b的累计和并确定分组边界 #

核心逻辑是通过b的累计和分位数来定位a的区间边界，确保每个分组的b总和接近：

# 计算b列的累计和
df_sorted['b_cumsum'] = df_sorted['b'].cumsum()
# 计算b列的总数值，用来推导每个分组的累计阈值
total_b = df_sorted['b_cumsum'].iloc[-1]
# 假设分成5组，生成4个中间阈值（组数n对应n-1个中间阈值）
n_groups = 5
group_thresholds = [i * total_b / n_groups for i in range(1, n_groups)]

# 找出对应阈值的a值作为区间边界
bin_edges = [df_sorted['a'].iloc[0]]  # 区间起始值
for threshold in group_thresholds:
    # 找到第一个累计和超过阈值的行，取对应的a值作为边界
    idx = df_sorted[df_sorted['b_cumsum'] >= threshold].index[0]
    bin_edges.append(df_sorted['a'].iloc[idx])
bin_edges.append(df_sorted['a'].iloc[-1])  # 区间结束值

3. 用pd.cut生成分组结果 #

将上面得到的边界传入pd.cut，给原始DataFrame添加分组列：

df['a_group'] = pd.cut(df['a'], bins=bin_edges, include_lowest=True)

4. 验证分组效果 #

查看每个分组的b总和，确认是否均衡：

print(df.groupby('a_group')['b'].sum())

关键说明 #

• 这种方法本质是按b的累计贡献划分a的区间，和pd.cut默认按a的数值/频数分组逻辑不同，能保证每个分组的b总和尽可能接近。
• 要调整分组数量，只需要修改代码中的n_groups值即可。

内容的提问来源于stack exchange，提问作者chikich