使用Pandas离散化连续变量时pd.cut分箱结果不符合预期如何解决

分箱结果不符合预期是两个类型错误导致的：

• 你的Amount列所有值都是字符串格式，不是数值。pd.cut处理字符串时会按ASCII字典序比较大小，而非数值大小逻辑。比如字符串"110.00"首字符是'1'，ASCII码比边界值"2"的首字符'2'小，会被错误判定为小于2，落入Low区间；字符串"30.00"首字符'3'比边界值"200"的首字符'2'大，会被错误判定为大于200，落入Large区间，和你看到的错误结果完全吻合。
• 你传入的分箱边界"Inf"是字符串，pd.cut无法识别它为正无穷数值，会把它当成普通字符串参与比较，进一步打乱分箱逻辑。

只需要先把Amount列转为浮点数值类型，同时把字符串"Inf"替换为Python原生的正无穷数值float('inf')，保证所有分箱边界都是数值类型即可：

import pandas as pd

# 加载原始数据集
data = {"Amount": 
["216.00","30.00","30.00","36.00","25.00","38.00","78.8","189.00","43.00","110.00"]}
dataset = pd.DataFrame(data)

# 转换Amount列为数值类型
dataset["Amount"] = dataset["Amount"].astype(float)

# 执行分箱，使用真正的正无穷数值作为上边界
dataset["Discretized"] = pd.cut(
    x=dataset["Amount"],
    bins=[0, 2, 200, float('inf')],
    labels=["Low", "Medium", "Large"]
)

# 打印验证结果
print(dataset)

执行后输出的结果完全符合你设定的分箱规则：

Amount Discretized
0  216.0       Large
1   30.0      Medium
2   30.0      Medium
3   36.0      Medium
4   25.0      Medium
5   38.0      Medium
6   78.8      Medium
7  189.0      Medium
8   43.0      Medium
9  110.0      Medium

注：当前样本中没有0_{2区间的数值，因此没有标记为Low的记录，属于正常情况。如果你的Low区间预期是覆盖更大的数值范围（比如0}50），直接调整bins参数里的边界数值即可，只要保证所有边界都是数值类型就不会出现排序错误。

内容的提问来源于stack exchange，提问作者Almosino