pd.cut()用于等宽分箱（如每10岁一档），按数值边界切分；pd.qcut()用于等频分箱（如四分位），按数据分布切分，遇重复值需加duplicates='drop'。
什么时候该用 pd.cut()，什么时候选 pd.qcut()
核心区别就一条：前者按数值边界分箱，后者按数据分布分箱。如果你要等宽区间（比如每10岁一档），用 cut()；如果要每档样本数差不多（比如四分位、十分位），必须用 qcut()。
常见错误是看到“分箱”就默认用 cut()，结果在偏态数据里分出大量空桶或极不均衡的桶——比如收入数据里，90%的人集中在0–20万，cut(x, bins=5) 会生成4个几乎没人、1个挤爆的区间。
-
cut()的bins参数可以是整数（等宽切分）、列表（自定义断点）或数组（如np.arange()） -
qcut()的q参数只能是整数（如 4 表示四分位）或概率序列（如[0, 0.25, 0.5, 0.75, 1]），不能传具体数值边界 -
qcut()遇到重复值多、分位点无法唯一确定时，会抛ValueError: Bin edges must be unique，这时得加duplicates='drop'或先去重/加微小扰动
cut() 自定义断点时，开闭区间怎么控制
默认左开右闭（(a, b]），也就是最小值不会被包含进第一档，除非你显式设 include_lowest=True。这在处理年龄、分数这类常以整数为边界的数据时特别容易踩坑——比如想把 0–100 分划成 60 及格、70 良好、85 优秀，写 cut(scores, [0, 60, 70, 85, 100])，60 分会被分进第二档（60,70]，而不是第一档（0,60]。
- 加
include_lowest=True让第一区间变成闭左：即[0, 60]，60 分就归及格档了 - 所有区间仍是左开右闭，只有最左端点被特殊处理；右端点永远闭合，所以 100 分总能被包含
- 如果需要全闭区间（如 [0,60], (60,70], ...），得手动后处理标签，
cut()本身不支持
qcut() 报 “Bin edges must be unique” 怎么快速修
本质是分位点计算出来重复了，尤其当数据里有大量相同值（比如考试成绩一堆 0 分、用户留存率大量 0%），qcut() 算第25百分位和第50百分位可能都是 0，就炸了。
- 最轻量解法：加参数
duplicates='drop'，自动跳过重复分位点，但注意最终箱数可能少于你指定的q - 更稳的解法：对原数据加极小随机扰动，比如
x + np.random.normal(0, 1e-8, len(x))，再qcut()，基本不影响业务含义 - 别用
np.quantile()手动算分位点再喂给cut()——那等于放弃qcut()对重复值的内置容错逻辑
分箱后怎么保留原始顺序、避免索引错乱
两个函数都默认返回 Series，且索引与输入一致。但如果你链式调用或中间用了 groupby、sort_values，就可能丢顺序。最常被忽略的是：用 qcut() 时若传入 retbins=True，它返回的是元组 (binned_series, bin_edges)，直接赋值不拆包就会让变量变成元组，后续调用 .value_counts() 就报错。
- 安全写法：
cat, bins = pd.qcut(x, q=4, retbins=True)，明确解包 - 如果要做后续映射（比如把区间转成数字编码），别用
cat.cat.codes直接取，它依赖 category 顺序；更可控的是用pd.Categorical(...).codes显式构造 - 分箱结果是
Categorical类型，不是字符串；想转字符串标签得调cat.astype(str)，否则.str.contains()会失败
分箱看着简单，真正卡住人的永远是边界归属、重复值、类型隐式转换这三块——尤其是 qcut() 在真实业务数据里，几乎必遇到 duplicates 报错，提前加 duplicates='drop' 是条经验性保命操作。
