在Pandas DataFrame中实现值范围映射的技术问询

别担心，这种按区间批量映射的需求其实很常见，我给你两种简单好用的方法来实现：

方法1：使用pd.cut()（推荐） #

pd.cut()是pandas专门为数值分箱设计的函数，完美匹配你的区间映射需求：

import pandas as pd
import numpy as np

# 生成示例DataFrame
df = pd.DataFrame(data=np.random.randint(1,10,10), columns=['a'])

# 定义区间边界和对应的映射值
bins = [0, 3, 7, 10]  # 划分出(0,3]、(3,7]、(7,10]三个区间
labels = [1, 2, 3]

# 生成新列b，include_lowest确保左边界被包含
df['b'] = pd.cut(df['a'], bins=bins, labels=labels, include_lowest=True)

参数说明： #

• bins：设置区间的分隔点，适配你需要的[1,3]、[4,7]、[8,10]三个范围
• include_lowest=True：让第一个区间包含左边界值，保证a=1、2、3能被正确归类
• labels：对应每个区间的映射结果

运行后你的DataFrame会变成类似这样：

a  b
0  7  2
1  8  3
2  8  3
3  3  1
4  1  1
5  1  1
6  2  1
7  8  3
8  6  2
9  6  2

方法2：使用np.select()（更直观的条件判断） #

如果想要更直白地写出每个区间的判断规则，np.select()会是个不错的选择：

# 定义每个区间的判断条件
conditions = [
    df['a'].between(1, 3),
    df['a'].between(4, 7),
    df['a'].between(8, 10)
]
# 对应每个条件的映射结果
choices = [1, 2, 3]

# 生成新列b
df['b'] = np.select(conditions, choices)

这种方法的优势是条件逻辑一目了然，完全贴合你描述的规则，不需要考虑分箱的开闭边界问题。

两种方法都能完美实现你的需求，你可以根据自己的习惯选择～

内容的提问来源于stack exchange，提问作者E. Sommer