如何在Pandas中将数值四舍五入到自定义列表的最近值？

我需要将Pandas序列中的数值四舍五入到自定义列表的最近值，而非像pd.cut()那样按区间向上取整。现有代码使用cut()方法，但结果不符合预期：

现有代码：

import pandas as pd
import numpy as np

df = pd.Series([11,16,21, 125])
rounding_logic = pd.Series([15, 20, 100])
labels = rounding_logic.tolist()
rounding_logic = pd.Series([-np.inf]).append(rounding_logic) # add infinity as leftmost edge

pd.cut(df, rounding_logic, labels=labels).fillna(rounding_logic.iloc[-1])

当前输出：[15,20,100,100]
期望输出：[15,15,20,100]（因为16更接近15，21更接近20）

解决方案：计算绝对差取最近值 #

核心思路是对序列中的每个数值，计算它与自定义列表中所有值的绝对差，找到差值最小的那个值作为结果。以下提供两种实现方式：

方法1：numpy广播（高效适配大数据量）

利用numpy的广播机制批量计算差值，效率更高，适合处理大型数据集：

import pandas as pd
import numpy as np

df = pd.Series([11,16,21, 125])
rounding_values = np.array([15, 20, 100])

# 计算每个值与自定义列表的绝对差，获取最小差值对应的索引
closest_indices = np.argmin(np.abs(df.values[:, np.newaxis] - rounding_values), axis=1)
# 根据索引提取最近值
result = pd.Series(rounding_values[closest_indices], index=df.index)

print(result)
# 输出：
# 0     15
# 1     15
# 2     20
# 3    100
# dtype: int64

方法2：apply方法（直观易懂，适合小数据量）

通过apply遍历每个元素，逻辑更直观，适合数据量较小的场景：

import pandas as pd
import numpy as np

df = pd.Series([11,16,21, 125])
rounding_values = [15, 20, 100]

def find_closest(x):
    # 以绝对差值为基准，返回最近的自定义值
    return min(rounding_values, key=lambda val: abs(val - x))

result = df.apply(find_closest)

print(result)
# 输出同上

补充说明 #

• 若遇到数值恰好处于两个自定义值中间（比如17.5介于15和20之间），上述方法会默认取索引靠前的那个值（即15）。如果需要取较大值，可以在逻辑中添加差值相等时的判断规则。

内容的提问来源于stack exchange，提问作者user34829