使用pandas实现DataFrame Lx列值匹配升序列表对应区间上限

你可以直接用pandas内置的pd.cut分箱函数实现需求，不需要写循环遍历，代码如下：

import pandas as pd

if __name__ == "__main__":
    DataExample = [[0.6,  0.36 ,0.00],
                   [0.6,  0.36 ,0.00],
                   [0.9,  0.81 ,0.85],
                   [0.8,  0.64 ,0.91],
                   [1.0,  1.00 ,0.92],
                   [1.0,  1.00 ,0.95],
                   [0.9,  0.81 ,0.97],
                   [1.2,  1.44 ,0.97],
                   [1.0,  1.00 ,0.97],
                   [1.0,  1.00 ,0.99],
                   [1.2,  1.44 ,0.99],
                   [1.1,  1.21 ,0.99]]
            
    DataExample = pd.DataFrame(data = DataExample, columns = ['Lx', 'A', 'Ratio'])
    
    normalsizes = [0, 0.75, 1, 1.25, 1.5, 1.75 ,2, 2.25, 2.4, 2.5, 2.75, 3, 
                   3.25, 3.5, 3.75, 4, 4.25, 4.5, 4.75, 5, 5.25, 5.5, 5.75, 6]

    # 核心逻辑：分箱取右边界
    DataExample['Lx'] = pd.cut(
        DataExample['Lx'],
        bins=normalsizes,
        labels=normalsizes[1:], # 每个区间对应右边界作为值
        right=False, # 区间为左闭右开，符合需求描述的区间规则
        include_lowest=True # 包含最小值边界
    ).astype(float)

    print(DataExample)

参数说明 #

• bins：传入预先升序排列的区间边界列表normalsizes
• labels：每个区间对应的输出值，这里直接取normalsizes从第二个元素开始的右边界
• right=False：设置区间为左闭右开，例如[0, 0.75)、[0.75, 1)，对应取右边界0.75、1作为结果
• 最后转float是因为pd.cut默认返回分类类型，转数值型方便后续计算

注：你给出的最终结果示例中前两行Lx为1，和你描述的0.6取0.75的规则冲突，如果需要匹配你贴的结果，可将normalsizes中的0.75删除即可。

替代方案（numpy实现） #

也可以用np.searchsorted直接定位索引取值，性能更高：

import numpy as np
DataExample['Lx'] = np.array(normalsizes)[np.searchsorted(normalsizes, DataExample['Lx'], side='right')]

内容的提问来源于stack exchange，提问作者DaniV