Pandas按自定义分位数分箱异常：仅生成中间箱问题排查

你遇到的这个问题，核心是对pd.cut的bins参数逻辑理解有偏差：当你只传入两个边界值（比如20分位数和80分位数）时，pd.cut只会生成一个中间区间（(19.8,79.2]），而不是你预期的三个分箱。

默认情况下，pd.cut只会把落在你指定的两个边界之间的值分配到对应的区间，小于左边界或者大于右边界的数值，因为没有匹配的分箱范围，都会被标记为NaN——这就是为什么你看到只有中间段有分箱标签，两边全是空值的原因。

要生成三个符合预期的分箱，你需要给bins传入完整的边界序列，覆盖所有可能的数值范围，从而定义出三个明确的区间：

1. 小于等于20分位数的值
2. 20分位数到80分位数之间的值
3. 大于等于80分位数的值

方法一：用全范围分位数定义边界 #

直接获取0%、20%、80%、100%的分位数作为边界，确保覆盖数据的最小值和最大值：

import pandas as pd
import numpy as np

# 构造测试数据
test = [x for x in range(0,100)]
a = pd.DataFrame(test, columns=['value'])

# 获取完整分箱边界：0%、20%、80%、100%分位数
bins = np.percentile(a['value'], [0, 20, 80, 100])

# 执行分箱，设置include_lowest=True确保最小值被包含在第一个分箱
a['bin_label'] = pd.cut(
    a['value'],
    bins=bins,
    labels=['<20分位数', '20-80分位数', '>80分位数'],
    include_lowest=True  # 让左边界从"开区间"变成"闭区间"，包含最小值
)

方法二：用正负无穷覆盖所有可能值 #

如果担心数据极值变化（比如后续数据出现超出当前0%/100%分位数的情况），可以用正负无穷作为首尾边界：

# 定义边界：负无穷、20分位数、80分位数、正无穷
bins = [-np.inf, np.percentile(a['value'],20), np.percentile(a['value'],80), np.inf]

a['bin_label'] = pd.cut(
    a['value'],
    bins=bins,
    labels=['<20分位数', '20-80分位数', '>80分位数']
)

验证结果 #

执行完代码后，你可以查看前后部分数据确认分箱效果：

# 查看前25行，0-19会被分到"<20分位数"
print(a.head(25))
# 查看后25行，80-99会被分到">80分位数"
print(a.tail(25))

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