pandas.cut()用于等宽分箱，需用列表指定bins边界并配labels；qcut()用于等频分箱，遇重复值加duplicates='drop'；复杂规则优先用np.select()向量化处理。
用 pandas.cut() 做等宽分箱，注意 bins 和 labels 的配合
pandas.cut() 是最常用的离散化函数，适合按数值区间切分。关键不是“分几组”，而是明确每个区间的边界和标签含义。
常见错误是直接传整数给 bins，结果发现边界不直观、标签默认为浮点区间（如 (0.999, 2.0]），后续做 groupby 或绘图时容易出错。
- 用列表指定精确边界：
pd.cut(x, bins=[0, 25, 50, 75, 100], labels=['low', 'mid-low', 'mid-high', 'high']) - 若用整数
bins=4，Pandas 会自动取x.min()到x.max()等分，但边界值可能含小数，建议搭配precision=0控制输出精度 -
include_lowest=True可让左端点闭合（即包含第一个边界值），否则最小值可能被归为NaN
用 pandas.qcut() 实现等频分箱，警惕重复值导致的 ValueError
当数据分布不均（比如大量 0 值或长尾），cut() 分出的每组样本量差异很大，这时该用 qcut()——它按分位数切，目标是每组数量大致相等。
典型报错：ValueError: Bin edges must be unique，多因数据中存在大量重复值（如用户等级字段只有 1/2/3），导致分位数计算出相同边界。
立即学习“Python免费学习笔记（深入）”；
- 加参数
duplicates='drop'可跳过重复边界（推荐） - 或先用
value_counts().cumsum() / len(x)手动估算分位点，再传给bins参数 -
qcut()默认返回IntervalIndex，若需字符串标签（如“第1四分位”），必须显式传labels，不能依赖默认
自定义分箱逻辑：用 numpy.select() 或 apply() + 条件列表
业务规则复杂时（例如：“逾期天数 ≤ 30 天为正常，31–90 天为关注，≥ 91 天为不良”），硬套 cut/qcut 反而绕路。
更直接的做法是构造布尔条件序列，用 np.select() 向量化赋值，比 apply(lambda x: ...) 快一个数量级。
- 写法示例：
np.select([df['overdue'] - 条件数组与选择数组长度必须一致，最后一个
default不可省略，否则NaN会填入 - 避免在
apply()里写 if-elif-else——除非逻辑涉及跨行计算，否则纯属性能浪费
分箱后保留原始顺序和缺失值处理
分箱结果默认不保留原索引顺序（尤其 qcut 按排序切分），且原始 NaN 会变成分箱结果里的 NaN，但含义已不同：前者是缺失，后者是“无法归类”。
- 务必检查
result.isna().sum()，区分是原始缺失还是分箱失败 - 若需保持原始顺序，不要对 Series 排序后再
qcut，应直接在原 Series 上操作 - 对含
NaN的列分箱前，可用dropna=False（cut默认支持，qcut需手动处理）或先填充再分箱
分箱看似简单，真正麻烦的是边界定义是否贴合业务、重复值如何处置、以及 NaN 在整个 pipeline 中的语义一致性——这些地方一疏忽，下游模型或报表就悄悄跑偏。
