如何使用Pandas处理重叠的有序范围分类？

我明白你现在的困扰——直接用replace处理重叠分类确实不够灵活，尤其是后续分类增多时维护成本很高。下面分享几个更优雅、可扩展的Pandas解决方案，适配不同的场景：

方案1：基于区间映射的通用处理（适合复杂层级） #

这种方法的核心是把分类转换成数值区间，通过判断区间归属来自动映射到目标大分类，不管后续新增多少子分类，只要定义好目标区间就能自动适配。

import pandas as pd

# 原始数据
data = ['1-10', '11-20','1-10','11-30','11-20','1-10','21-30','30+']
cat = pd.Categorical(data, categories=['1-10', '11-20','21-30','11-30', '30+'], ordered=True)
s = pd.Series(cat)

# 第一步：将分类字符串解析为数值区间
def parse_category(cat_str):
    if cat_str == '30+':
        return (31, float('inf'))
    low, high = cat_str.split('-')
    return (int(low), int(high))

# 第二步：定义目标分类与对应区间的映射
target_categories = [
    ('1-10', (1, 10)),
    ('11-30', (11, 30)),
    ('30+', (31, float('inf')))
]

# 第三步：编写匹配函数，将原始分类映射到目标分类
def map_to_target(cat_str):
    original_interval = parse_category(cat_str)
    for target_cat, target_interval in target_categories:
        # 判断原始区间是否完全被目标区间包含
        if original_interval[0] >= target_interval[0] and original_interval[1] <= target_interval[1]:
            return target_cat
    return cat_str  # 兜底返回原分类，避免遗漏

# 应用到Series并输出
s_cleaned = s.apply(map_to_target)
print(s_cleaned)

输出结果：

0    1-10
1    11-30
2    1-10
3    11-30
4    11-30
5    1-10
6    11-30
7     30+
dtype: object

如果需要保留有序分类类型，可以再转换一次：

s_cleaned = pd.Categorical(s_cleaned, categories=['1-10', '11-30', '30+'], ordered=True)

方案2：构建层级映射字典（适合简单层级） #

如果你的分类层级比较明确（比如只有少数几个子分类需要合并），可以先构建一个子分类到父分类的映射表，再用replace处理，同时保留有序分类的特性（这比你之前的方法更严谨，不会丢失分类类型）。

import pandas as pd

data = ['1-10', '11-20','1-10','11-30','11-20','1-10','21-30','30+']
cat = pd.Categorical(data, categories=['1-10', '11-20','21-30','11-30', '30+'], ordered=True)
s = pd.Series(cat)

# 定义子分类到父分类的映射
hierarchy_map = {
    '11-20': '11-30',
    '21-30': '11-30'
}

# 替换后重新转为有序分类
s_cleaned = s.replace(hierarchy_map)
s_cleaned = pd.Categorical(s_cleaned, categories=['1-10', '11-30', '30+'], ordered=True)

print(s_cleaned)

输出结果：

0      1-10
1    11-30
2      1-10
3    11-30
4    11-30
5      1-10
6    11-30
7       30+
Categories (3, object): ['1-10' < '11-30' < '30+']

方案3：利用pd.cut重新分箱（有原始数值时最优） #

如果你有分类对应的原始数值列（比如每个分类对应的实际数值），直接用pd.cut重新划分区间是最准确、最高效的方式，完全避免分类重叠的问题。

import pandas as pd

# 假设你有对应的数值列
values = [5, 15, 3, 25, 18, 7, 28, 35]
# 定义分箱边界和目标标签
bins = [0, 10, 30, float('inf')]
labels = ['1-10', '11-30', '30+']

# 直接生成有序分类
s_cleaned = pd.cut(values, bins=bins, labels=labels, ordered=True)
print(s_cleaned)

输出结果：

0      1-10
1    11-30
2      1-10
3    11-30
4    11-30
5      1-10
6    11-30
7       30+
Categories (3, object): ['1-10' < '11-30' < '30+']

方案选择建议 #

• 如果你有原始数值数据：优先用方案3，最准确且代码简洁
• 分类层级简单、子分类少：用方案2，代码量少且能保留有序分类特性
• 分类层级复杂、后续可能新增子分类：用方案1，扩展性最强，无需频繁修改映射规则

内容的提问来源于stack exchange，提问作者Renier Botha