使用pandas.cut拆分连续变量时出现数值跳过问题如何解决

你的代码核心错误是误用了replace()方法处理pd.cut()的返回结果：

• pd.cut()执行后会返回和输入列长度完全一致的分箱结果序列，序列中每个元素是对应行数值所属的区间对象
• replace()方法的作用是匹配原列中的指定值做替换，你直接把分箱结果序列传入replace()，相当于要求pandas在全是数值的原列里匹配区间对象做替换，这一匹配逻辑完全不成立，最终只有极少量异常匹配的结果被替换成了区间，绝大多数原值（包括99999、34095等）都被保留了下来，才会出现你看到的统计结果。

直接把pd.cut()的返回结果赋值给目标列即可，不需要调用replace()：

df = pd.read_csv(...)
# 直接赋值分箱结果，可赋值给新列避免覆盖原始数据
df['capital-gain_bin'] = pd.cut(df['capital-gain'], [0,45000,110000,150000], right=False, include_lowest=True)
df['capital-gain_bin'].value_counts()

如果需要覆盖所有可能的取值范围，避免超出[0,150000)区间的数值被标记为NaN，可以在分箱边界首尾添加无穷值：

df['capital-gain_bin'] = pd.cut(df['capital-gain'], [-float('inf'),0,45000,110000,150000,float('inf')], right=False, include_lowest=True)

执行后所有数值都会被分配到对应的区间，不会再出现原值单独统计的情况。

内容的提问来源于stack exchange，提问作者Amaranth