使用pd.cut对pandas数值列分箱后出现NaN值的原因及解决方法

问题原因 #

• pd.cut 默认生成左开右闭的分箱区间，你设置的bins [0.0, 10.0, 20.0, 30.0, 50.0] 对应的实际区间为：(0.0, 10.0]、(10.0, 20.0]、(20.0, 30.0]、(30.0, 50.0]
• 你的数据中存在恰好等于0.0的取值，该值不属于上述任何区间，因此会被默认赋值为NaN，和原始数据是否有缺失值无关。

解决方案 #

三种可行处理方式按需选择：

方案1：添加include_lowest参数（最适配当前场景） #

设置include_lowest=True会自动把第一个区间的左边界纳入覆盖范围：

bins = [0.0, 10.0, 20.0, 30.0, 50.0]
labels = ['1', '2', '3', '4']
df['Distance'] = pd.cut(df['Distance'], bins=bins, labels=labels, include_lowest=True)

方案2：调整bins左边界 #

把第一个分箱值设为略小于数据最小值的数值，让0.0落入第一个区间：

# 因为你的数据最小值为0.0，设置左边界为-0.000001即可覆盖0值
bins = [-0.000001, 10.0, 20.0, 30.0, 50.0]
labels = ['1', '2', '3', '4']
df['Distance'] = pd.cut(df['Distance'], bins=bins, labels=labels)

方案3：修改区间闭合方向 #

设置right=False将分箱区间改为左闭右开，注意如果你的数据存在刚好等于50的取值，需要对应调整右边界：

bins = [0.0, 10.0, 20.0, 30.0, 50.0]
labels = ['1', '2', '3', '4']
df['Distance'] = pd.cut(df['Distance'], bins=bins, labels=labels, right=False)

内容的提问来源于stack exchange，提问作者Roz