如何对有序列表做等宽分箱并直接获取各箱内的原始数据？

你原先基于bisect的实现思路是完全可行的，只是代码里有两个小瑕疵：一是把numpy的linspace误写为linespace，二是仅遍历list[:-1]最后手动补最大值的写法，遇到列表存在多个和最大值相等的重复元素时会漏数，调整后就能得到稳定正确的结果。

下面给两种场景下的简洁实现：

纯标准库实现（无第三方依赖） #

不需要引入numpy计算分桶边界，直接通过步长计算边界即可，兼容所有Python3环境：

import bisect

def split_equal_width_bins(sorted_list: list, bin_num: int) -> list[list]:
    if not sorted_list:
        return [[] for _ in range(bin_num)]
    min_val = sorted_list[0]
    max_val = sorted_list[-1]
    # 生成分桶边界，共bin_num+1个分割点
    step = (max_val - min_val) / bin_num
    bin_edges = [min_val + i * step for i in range(bin_num + 1)]
    result = [[] for _ in range(bin_num)]
    
    for num in sorted_list:
        # 最大值统一放入最后一个桶，规避浮点计算误差导致的索引越界
        if num == max_val:
            result[-1].append(num)
            continue
        # 二分查找当前值所属桶位置
        bin_idx = bisect.bisect_right(bin_edges, num) - 1
        result[bin_idx].append(num)
    return result

# 测试示例
demo_list = [-1.8, -1.7, -1.3, 0.6, 2.7, 3.1, 3.2]
print(split_equal_width_bins(demo_list, 5))
# 输出: [[-1.8, -1.7, -1.3], [], [0.6], [2.7], [3.1, 3.2]]

基于数据处理库的极简实现 #

如果你本身就在用numpy/pandas处理数据，可以直接用库内置的分桶函数，不需要手写二分逻辑：

numpy 版本 #

import numpy as np

demo_arr = np.array([-1.8, -1.7, -1.3, 0.6, 2.7, 3.1, 3.2])
bin_num = 5
bin_edges = np.linspace(demo_arr.min(), demo_arr.max(), bin_num + 1)
# 计算每个元素对应的桶索引
bin_indices = np.digitize(demo_arr, bin_edges, right=False) - 1
# 修正最大值的索引，避免浮点误差导致越界
bin_indices[bin_indices == bin_num] = bin_num - 1
# 按索引分组提取原始值
grouped_res = [demo_arr[bin_indices == i].tolist() for i in range(bin_num)]

pandas 版本 #

代码最短，直接用分桶+分组聚合即可：

import pandas as pd

demo_ser = pd.Series([-1.8, -1.7, -1.3, 0.6, 2.7, 3.1, 3.2])
bin_num = 5
grouped_res = demo_ser.groupby(
    pd.cut(demo_ser, bins=bin_num, include_lowest=True)
).apply(list).tolist()

提示：以上所有实现默认输入是升序排列的列表，如果输入未排序，先调用sorted()预处理即可。浮点计算存在精度误差，所有实现里把最大值统一归入最后一桶的处理，就是为了避免类似3.2被算到边界外的异常情况。

内容的提问来源于stack exchange，提问作者chapayev