如何将预测数据Age列统计值映射到训练数据的Age_bin分箱列

• 第一步：提取训练集分箱边界参数
  必须复用训练集的分箱边界，禁止在预测集重新计算分箱，避免区间规则不匹配。
  如果你在训练集生成分箱时还保留代码，直接添加retbins=True参数获取边界：

  import pandas as pd
  # 训练集生成分箱时同步返回边界
  train_df['Age_bin'], bin_edges = pd.cut(
      train_df['Age'],
      bins=5, # 替换为你实际使用的分箱数量/自定义边界列表
      retbins=True,
      include_lowest=True # 和你之前分箱的参数保持一致
  )
  

  如果你已经生成了训练集的Age_bin但没存边界，可以从现有列的区间值提取：

  # 提取所有区间的左右边界后去重排序
  bin_edges = sorted(
      {x.left for x in train_df['Age_bin'].unique()} 
      | {x.right for x in train_df['Age_bin'].unique()}
  )
  

• 第二步：对预测集Age列应用完全相同的分箱逻辑

  test_df['Age_bin'] = pd.cut(
      test_df['Age'],
      bins=bin_edges,
      include_lowest=True # 必须和训练集分箱参数一致
  )
  

• 第三步：将训练集的分箱计数映射到预测集

  # 生成训练集分箱对应计数的映射字典
  bin_count_map = train_df['Age_bin'].value_counts().to_dict()
  # 映射到预测集
  test_df['Age_bin_count'] = test_df['Age_bin'].map(bin_count_map)
  # 可选：预测集存在超出训练集年龄范围的样本时，填充计数为0
  test_df['Age_bin_count'] = test_df['Age_bin_count'].fillna(0).astype(int)
  

注意事项：分箱时的right（是否左开右闭）、include_lowest（是否包含左边界最小值）等参数必须和训练集生成分箱时的参数完全一致，避免边界样本的分箱结果不匹配。

内容的提问来源于stack exchange，提问作者self.Fool