Pandas 数值离散化：从连续数据到有序区间的完整指南

一句话总结： pd.cut 将连续数值切分为固定区间，配合标签和虚拟编码，实现数值特征到类别特征的转换。

📋 环境要求

• Python 3.14+
• scikit-learn 1.9+
• pandas 3.0+
• numpy 2.4+
• jupyter 1.1+
• notebook 7.5+
• nbconvert 7.17+

一、为什么需要数值离散化？

连续型数值在某些场景下不如离散区间直观：

• 业务解释：年龄段比具体年龄更易理解（青年/中年/老年）
• 降低噪声：平滑异常值对模型的影响
• 适配算法：决策树、朴素贝叶斯等算法对类别型更友好
• 规则表达："体重超过 80kg 为超重"比回归系数更直观

核心工具： pandas 的 cut() 函数，基于区间边界做等宽划分。

二、等宽区间划分

场景： 将数据自动划分为 N 个等宽区间。

import pandas as pd

df = pd.DataFrame(data={'weight': [75., 78.5, 85., 91., 84.5, 83., 68.]})

# bins=3: 自动计算区间边界，将数据划分为 3 个等宽区间
# 区间宽度 = (最大值 91 - 最小值 68) / 3 ≈ 7.67
df["weight_cut"] = pd.cut(df["weight"], bins=3)

划分结果：

关键点：

• 区间左开右闭：(67.977, 75.667] 表示大于 67.977 且小于等于 75.667
• 自动生成边界：覆盖数据范围并适当外延
• 返回 category 类型，节省内存

三、指定区间边界

场景： 业务有明确区间定义（如 BMI 分级），需自定义边界。

df = pd.DataFrame(data={'weight': [75., 78.5, 85., 91., 84.5, 83., 68.]})

# bins=[60, 75, 80, 95]: 自定义三个区间 (60,75], (75,80], (80,95]
# 注意：边界值 75 归入 (60,75]，边界值 80 归入 (75,80]
df["weight_cut"] = pd.cut(df["weight"], bins=[60, 75, 80, 95])

与自动划分的区别：

关键点：

• 自定义边界更贴合业务语义
• 数据超出边界范围会产生 NaN
• 边界值归属遵循右闭原则

四、添加区间标签

场景： 将区间转换为易读的标签（如轻/中/重）。

df = pd.DataFrame(data={'weight': [75., 78.5, 85., 91., 84.5, 83., 68.]})

# labels: 为每个区间指定可读标签
# bins 数量 = labels 数量 + 1
df["weight_cut"] = pd.cut(
    df["weight"],
    bins=[60, 75, 80, 95],
    labels=["light", "normal", "heavy"]  # 对应三个区间
)

结果：

关键点：

• labels 长度必须等于 bins 数量减 1
• 标签顺序与区间顺序一一对应
• 标签使数据更具业务可读性

五、虚拟编码（One-Hot 编码）

场景： 将类别型特征转换为数值型，供机器学习模型使用。

df = pd.DataFrame(data={'weight': [75., 78.5, 85., 91., 84.5, 83., 68.]})
df["weight_cut"] = pd.cut(
    df["weight"],
    bins=(60, 75, 80, 95),
    labels=['light', 'normal', 'heavy']
)
# pd.get_dummies: 将类别列展开为多列布尔值
df = pd.get_dummies(df)

编码结果：

关键点：

• 每行只有一个 True，其余为 False
• 列名格式：原列名_类别标签
• 适用于线性模型、神经网络等需要数值输入的算法
• 决策树类算法可直接使用 category 类型，无需虚拟编码

六、常见问题

Q1: 区间边界值归属哪一侧？

pd.cut 默认右闭左开：(a, b] 表示 a < x <= b。

# 75.0 归入 (60, 75]，而非 (75, 80]
pd.cut([75.0], bins=[60, 75, 80])  # [(60, 75.0]]

如需左闭右开，使用 right=False：

pd.cut([75.0], bins=[60, 75, 80], right=False)  # [[60, 75)]

Q2: 数据超出边界怎么办？

# 55 和 100 超出 [60, 95] 范围
df["weight_cut"] = pd.cut([55, 70, 100], bins=[60, 75, 95])
# 结果: [NaN, (60, 75], NaN]

解决： 扩大边界或添加 include_lowest=True：

pd.cut([55, 70], bins=[50, 75, 100])  # 扩大边界

Q3: 等宽 vs 等频划分？

# 等频划分：每个区间约 1/3 的数据
pd.qcut(df["weight"], q=3, labels=["low", "mid", "high"])

七、速查表

pd.cut 参数

完整流程模板

# 1. 离散化
df["category"] = pd.cut(df["value"], bins=[0, 50, 100, 150], labels=["低", "中", "高"])

# 2. 虚拟编码（模型需要时）
df_encoded = pd.get_dummies(df, columns=["category"])

八、总结

数值离散化是数据预处理中的重要步骤，pd.cut 提供了灵活且强大的区间划分能力：

1. 等宽划分：适用于探索性分析，无先验知识时使用
2. 指定边界：适用于业务规则明确的场景
3. 添加标签：提升数据的可读性和业务解释性
4. 虚拟编码：为机器学习模型准备数值输入

通过合理使用离散化技术，可以将连续数值转换为更具业务意义的类别特征，提升模型的可解释性和稳定性。

网络取材来源于： ant-exercises-sklearn: scikit-learn 编程练习 100例

刚开始学习数据集的处理，在这里同步学习成果、激励自己坚持到底。