pandas使用pd.qcut分箱后按箱均值平滑及添加箱边界列的实现方法

前置准备 #

基于题目给定的示例构造测试数据，生成与使用习惯一致的等频分箱结果：

import pandas as pd
import numpy as np

# 题目指定的原始目标列
target_col = pd.Series([4, 8, 15, 21, 21, 24, 25, 28, 34])
# 按3等频生成分箱分组，与日常使用的 pd.qcut(col, 3) 逻辑完全一致
bin_group = pd.qcut(target_col, q=3)

功能1：分箱内均值替换的数值平滑 #

直接基于分箱分组使用transform方法计算组内均值，pandas会自动将均值广播到组内所有原始值，无需手动构建分箱与均值的映射表：

# 生成平滑后的列
col_smoothed = target_col.groupby(bin_group).transform("mean")

运行结果与题目示例完全匹配：[9, 9, 9, 22, 22, 22, 29, 29, 29]

该方法会自动按索引对齐值，避免手动映射时出现的顺序错位问题。

功能2：匹配每个值所属分箱的最近边界值 #

首先基于分箱分组计算每个组的实际极值：组内最小值为分箱左边界，组内最大值为分箱右边界，再计算原始值到两个边界的距离，选取距离更近的边界即可。

# 计算每个分箱的实际边界
bin_left = target_col.groupby(bin_group).transform("min")
bin_right = target_col.groupby(bin_group).transform("max")

# 计算值到两个边界的距离
distance_left = target_col - bin_left
distance_right = bin_right - target_col

# 选取距离更近的边界作为结果
col_nearest_boundary = np.where(distance_left <= distance_right, bin_left, bin_right)

运行结果与题目示例完全匹配：[4, 4, 15, 21, 21, 24, 25, 25, 34]

当值到两个边界的距离相等时，上述逻辑会默认选取左边界，可根据实际需求调整判断条件。

内容的提问来源于stack exchange，提问作者Blaine