如何将年龄数据分箱为指定类别？解决pd.cut()的边界唯一错误

1. 先将年龄列转为数值类型 #

你之前替换缺失值后，F1: AGE列大概率还是object字符串类型，这会导致pd.cut无法正常工作，先转成数值型：

# 转换为数值，无法转换的自动设为NaN
df['F1: AGE'] = pd.to_numeric(df['F1: AGE'], errors='coerce')

2. 定义分箱边界与标签 #

按照需求设置唯一的边界区间，覆盖所有可能的年龄值：

• 边界：[-float('inf'), 17, 25, 35, 45, 55, float('inf')]
• 对应标签：['17岁及以下', '18-25岁', '26-35岁', '36-45岁', '46-55岁', '56岁以上']

3. 执行分箱并处理缺失值 #

用pd.cut完成分箱后，将缺失值（NaN）替换为「未知」：

# 设置分箱参数
bins = [-float('inf'), 17, 25, 35, 45, 55, float('inf')]
labels = ['17岁及以下', '18-25岁', '26-35岁', '36-45岁', '46-55岁', '56岁以上']

# 执行分箱，include_lowest=True确保17岁及以下的边界包含17
df['年龄分组'] = pd.cut(df['F1: AGE'], bins=bins, labels=labels, include_lowest=True)

# 将NaN替换为「未知」
df['年龄分组'] = df['年龄分组'].fillna('未知')

报错原因说明 #

你遇到的Bin edges must be unique错误，通常是两个原因：

• 年龄列不是数值类型，pd.cut无法识别边界逻辑
• 手动设置的边界存在重复值（比如重复写了同一个数字）

完整可运行代码 #

import pandas as pd
import numpy as np

# 你的初始处理代码
age_index = df['F1: AGE'].str.isnumeric()
age_index = age_index.fillna(False)
df.loc[~age_index, 'F1: AGE'] = np.nan

# 转换为数值类型
df['F1: AGE'] = pd.to_numeric(df['F1: AGE'], errors='coerce')

# 分箱生成分组
bins = [-float('inf'), 17, 25, 35, 45, 55, float('inf')]
labels = ['17岁及以下', '18-25岁', '26-35岁', '36-45岁', '46-55岁', '56岁以上']
df['年龄分组'] = pd.cut(df['F1: AGE'], bins=bins, labels=labels, include_lowest=True)
df['年龄分组'] = df['年龄分组'].fillna('未知')

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