在Julia中如何使用if else实现年龄分箱并生成对应字典？

你原代码存在三个可优化的问题：循环内重复定义函数无意义、else分支不能直接加判断条件、单值场景下用zip构造字典的逻辑错误。可以直接把分箱逻辑抽为独立工具函数，用短路求值简化多层if else判断，代码更清爽：

using Dates

# 提前定义公共工具，不用循环内重复创建
date_format = DateFormat("y-m-d")
result = [] # 存储所有结果字典

# 分箱逻辑独立封装
function get_age_bin(age)
    age <= 25 && return "1-25"
    age <= 50 && return "26-50"
    age <= 75 && return "51-75"
    age <= 100 && return "76-100"
    return "100+" # 超过100岁的场景可自定义返回值
end

open("../data/FILE.csv", "r") do input_file
    readline(input_file) # 直接跳过表头，无需额外flag变量
    for line in eachline(input_file)
        line_array = split(line, ",")
        subject_id = line_array[2]
        date_birth = line_array[4][1:10]
        date_death = line_array[5][1:10]
        age_days = Date(date_death, date_format) - Date(date_birth, date_format)
        age_years = round(Int, Dates.value(age_days)/365.25)
        age_bin = get_age_bin(age_years)
        # 构造你需要的字段字典
        push!(result, Dict(
            "subject_id" => subject_id,
            "age" => age_years,
            "age_bin" => age_bin
        ))
        # 要输出示例里的元组格式直接打印即可：println((subject_id, age_years, age_bin))
    end
end

数据量较大时用DataFrames的列级运算效率远高于逐行循环，也不需要手动处理拆分、跳表头这类重复逻辑，代码更简洁：
首先提前安装依赖包：import Pkg; Pkg.add(["CategoricalArrays"])

using CSV, DataFrames, Dates, CategoricalArrays

# 直接读取CSV为结构化表，自动处理表头
df = CSV.read("../data/FILE.csv", DataFrame)
date_format = DateFormat("y-m-d")

# 批量计算年龄，列级广播运算比逐行循环快数倍
df.age_years = round.(Int, Dates.value.(
    Date.(chop.(df.date_of_death, tail=length(df.date_of_death[1])-10), date_format) 
    - Date.(chop.(df.date_of_birth, tail=length(df.date_of_birth[1])-10), date_format)
) ./ 365.25)

# 一行实现分箱，无需写判断逻辑
df.age_bin = cut(df.age_years, [0,25,50,75,100, Inf], 
    labels=["1-25", "26-50", "51-75", "76-100", "100+"], extend=true)

# 提取需要的三个字段转成结果字典列表
result = [Dict(
    "subject_id"=>row.subject_id, 
    "age"=>row.age_years, 
    "age_bin"=>row.age_bin
) for row in eachrow(df[!, [:subject_id, :age_years, :age_bin]])]

优势：

• 无需手动处理文件读取的边缘逻辑，CSV和DataFrames官方库已经做了大量容错处理
• 后续要做年龄分布统计、筛选、导出其他格式，直接调用DataFrames内置API即可，不用额外写逻辑
• 数据量超过1万行时，运算速度比逐行循环高一个数量级

注：如果你的CSV没有自定义列名，默认读取的列名是Column1/Column2，替换代码里的对应列名即可。

内容的提问来源于stack exchange，提问作者Mariah_5288