本文介绍两种高效方法：一是先用 pd.cut 手动分箱并指定标签，再统计频次；二是对 value_counts(bins=...) 的默认区间索引进行函数式重命名，实现 bin 范围的语义化显示。
本文介绍两种高效方法：一是先用 `pd.cut` 手动分箱并指定标签，再统计频次；二是对 `value_counts(bins=...)` 的默认区间索引进行函数式重命名，实现 bin 范围的语义化显示。
在使用 Pandas 进行数值分布分析时，常需将连续变量划分为若干区间（bins）并统计各区间内值的频次。虽然 Series.value_counts(bins=...) 可快速完成分箱计数，但其返回的索引为 Interval 对象（如 (2.0, 4.0]），可读性差，不利于报告或可视化。本文提供两种专业、简洁且可复用的解决方案。
✅ 方法一：pd.cut + value_counts()（推荐）
这是最直观、可控性最强的方式：先用 pd.cut 对原始数据分箱，并通过 labels 参数直接赋予语义化标签；再调用 value_counts() 统计带标签的分组频次。
import pandas as pd
data = [{'A': 1, 'B': "Jim"}, {'A': 5, 'B': "Jim"}, {'A': 2, 'B': "Bob"}, {'A': 3, 'B': "Bob"}]
df = pd.DataFrame(data)
mBins = [-1, 2, 4, 6]
mLabels = ["0-2", "3-4", "5-6"]
# 关键步骤：先 cut 再 count
result = pd.cut(df['A'], bins=mBins, labels=mLabels).value_counts()
print(result)输出：
0-2 2 3-4 1 5-6 1 dtype: int64
✅ 优势：逻辑清晰、支持任意字符串标签（如 "Low", "Medium", "High"）、天然兼容 sort=False 或 dropna=False 等参数。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
✅ 方法二：重命名 IntervalIndex（适用于动态推导标签）
若 bin 边界为整数且希望自动推导标签（如 (2.0, 4.0] → "3-4"），可对 value_counts(bins=...) 的结果使用 rename() 配合 lambda 函数处理 Interval 索引：
from math import ceil
simple_VC = df['A'].value_counts(bins=mBins)
renamed = simple_VC.rename(
lambda interval: f"{ceil(interval.left + 1)}-{ceil(interval.right)}"
)
print(renamed)⚠️ 注意事项：
- 此方法依赖
interval.left和interval.right属性，仅适用于IntervalIndex； -
ceil(interval.left + 1)是为匹配左开右闭区间的整数语义（例如(2.0, 4.0]实际覆盖整数3和4）； - 若 bin 边界非整数（如
[0, 2.5, 5.7]），建议改用方法一并显式定义mLabels，避免歧义。
? 总结
| 场景 | 推荐方案 |
|---|---|
| 标签已知、需精确控制（如业务口径） | ✅ pd.cut(..., labels=...) + .value_counts()
|
| Bin 边界规则、需自动化生成标签 | ✅ value_counts(bins=...) + rename()（注意浮点精度与语义对齐） |
| 需保留原始索引结构或后续 join 操作 | 建议将 cut 结果作为新列加入 DataFrame，再 groupby().size()
|
无论哪种方式，都应确保 bins 长度比 labels 长 1（即 len(bins) == len(labels) + 1），否则会引发 ValueError。合理选择方法，可让分箱统计结果兼具准确性与表达力。
