Pandas中cut()与map()函数的区别：为何功能看似重叠？

安全阿岳

2026-8-26

Pandas中cut()与map()的区别解析

我一直想弄明白Pandas里cut()和map()函数的区别——两者都能对DataFrame或Series的数据做分组、重命名操作。官方文档说cut()是用来把连续变量转成分类变量，但map()好像也能实现类似效果。我做了下面的实验，发现两者都能完成相关操作，搞不懂为什么要有这两个功能看似重叠的函数。

实验验证

1. 创建测试DataFrame

data1 = {'A':['First','Second','Third'], 'B':[4,5,6] }
df1 = pd.DataFrame(data1)
df1

2. 使用`map()`做值映射

通过字典指定离散值的替换规则，直接修改Series的内容：

df1['A'] = df1['A'].map({'First': 'Yay', 'Second': 'Ok', 'Third': 'More to Learn'})
df1

输出结果：

A  B
0       Yay  4
1        Ok  5
2  More to Learn  6

3. 使用`cut()`做连续值分箱

把连续数值列B分成3个等距区间，并用自定义标签命名：

df1['B'] = pd.cut(df1['B'], 3, labels=['Good', 'Average', 'Terrible'])
df1

输出结果：

A        B
0       Yay     Good
1        Ok  Average
2  More to Learn  Terrible

核心区别

虽然两者都能实现“值转换”，但本质定位和适用场景完全不同：

数据类型适配：
- map()专注处理离散型数据（字符串、离散数值等），是一对一的精准值替换，必须明确指定每个旧值对应的新值。
- cut()仅针对连续型数值数据，核心是把连续数值划分成区间（分箱），自动将每个数值归属到对应区间，无需指定单个值的映射关系。
逻辑本质：
- map()是映射替换：基于已有值的匹配完成替换，比如把特定字符串换成新标签，本质是值的替换。
- cut()是区间离散化：先切割连续数据的范围，再给区间分配标签，本质是将连续数据转成分类变量。
功能灵活性：
- map()支持字典、自定义函数、Series等多种映射规则，能处理各种非数值离散数据的转换需求。
- cut()只聚焦于数值分箱，无法处理字符串等非数值离散数据的替换操作。