Pandas中使用整数区间作字典键映射列分值未生效如何解决

Python原生字典的键匹配是精确哈希匹配，你定义的dict_reject_amount里，除了键0是整数类型，其余键全是range类型的对象。Series.map()做映射时，是拿列里的整数值去和字典键做相等判断，整数和range对象永远不可能相等，自然匹配不到对应分值，最终返回的结果全是空值NaN。
快速验证方式：随便取一个你预期能匹配上的整数，比如50，执行50 in dict_reject_amount，会直接返回False，就能确认匹配逻辑不成立。

根据你的场景，优先选前两种方案，第三种仅做参考：

方案1：用pandas原生分箱函数pd.cut（推荐，性能最优） #

针对固定区间映射分值的场景，pd.cut是pandas专门做这类分箱赋值的API，不用手写循环，大数据量下性能最好：

# 转整数的逻辑和你原有代码一致，无需修改
new['rejected_int'] = new['rejected'].astype(int)

# 按你当前写的字典规则定义分箱边界，左闭右开区间和range的整数取值完全对齐
bins = [-1, 1, 101, 201, 301, 401, 501, 601, 701, 801, 901, 100000]
scores = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 9]

new['reject_amount_points'] = pd.cut(
    new['rejected_int'],
    bins=bins,
    labels=scores,
    right=False
).astype(int)

如果你实际业务规则是0-100统一对应0分，直接调整bins和scores即可，比如把前两个区间合并为[-1, 101]，对应分值设为0。

方案2：自定义映射函数（适合规则灵活调整的场景） #

如果后续区间规则可能频繁改动，可以写一个判断值所属区间的函数，传入map即可，逻辑直观好修改：

def calc_reject_score(val):
    if val == 0:
        return 0
    rule_list = [
        (range(1,101), 1),
        (range(101,201), 2),
        (range(201,301), 3),
        (range(301,401), 4),
        (range(401,501), 5),
        (range(501,601), 6),
        (range(601,701), 7),
        (range(701,801), 8),
        (range(801,901), 9),
        (range(901,100000), 9)
    ]
    for range_obj, score in rule_list:
        if val in range_obj:
            return score
    # 超出100000的兜底分值，可按业务需求调整
    return 9

new['reject_amount_points'] = new['rejected_int'].map(calc_reject_score)

方案3：展开range为全整数键字典（不推荐） #

你也可以把每个range里的所有整数展开，作为字典的独立键，这样就能满足map的精确匹配要求，但你当前的区间上限到100000，生成的字典会占用大量不必要的内存，数据量大时性能很差，仅适合区间范围极小的场景：

dict_reject_amount = {0: 0}
range_rule = [
    (1,101,1), (101,201,2), (201,301,3), (301,401,4),
    (401,501,5), (501,601,6), (601,701,7), (701,801,8),
    (801,901,9), (901,100000,9)
]
for start, end, score in range_rule:
    for num in range(start, end):
        dict_reject_amount[num] = score

new['reject_amount_points'] = new['rejected_int'].map(dict_reject_amount)

内容的提问来源于stack exchange，提问作者Michael