本文介绍一种灵活处理非标准分箱需求的方法：使用 `pd.cut` 配合布尔掩码，将最后一个区间设为右闭区间（如 `[190, 200]`），解决 `pd.cut` 默认左闭右开导致 200 无法被包含的问题。
在数据分析中，pd.cut 是最常用的数值分箱工具，但它默认采用左闭右开区间（right=True）或左闭右开+左开右闭混合（right=False），无法直接支持混合闭合性——例如前四段为 [a, b)，最后一段却需为 [c, d]（右闭）。当你的业务逻辑明确要求包含端点值（如满分 200 必须归入最高档），就需要额外干预。
核心思路是：先用 pd.cut(..., right=False) 得到标准左闭右开结果，再通过布尔索引单独修正等于右端点的值。以下为完整实现：
import pandas as pd # 示例数据：模拟 100.0 到 200.3 的浮点数序列（含精确的 200.0） s = pd.Series(range(1000, 2004)).div(10) # 100.0, 100.1, ..., 200.0, 200.1, ... # 定义分箱边界（5 个区间 → 6 个断点） bins = [100, 135, 160, 175, 190, 200] labels = ['[100, 135)', '[135, 160)', '[160, 175)', '[175, 190)', '[190, 200]'] # 第一步：常规左闭右开分箱（注意 right=False → [a, b)） cut_result = pd.cut(s, bins=bins, labels=labels, right=False) # 第二步：定位所有等于 200 的元素，并将其标签强制替换为 '[190, 200]' cond = s == 200.0 out = cut_result.mask(cond, '[190, 200]') print(out.iloc[998:1003]) # 查看关键位置
输出中可验证：
- s.iloc[999] == 199.9 → 归入 [190, 200]（因 199.9 ∈ [190, 200) 成立）
- s.iloc[1000] == 200.0 → 显式覆盖为 [190, 200]，满足业务要求
- s.iloc[1001] == 200.1 → 超出最大边界，结果为 NaN（符合预期）
⚠️ 注意事项：
- mask() 会将满足条件的位置替换为指定值，原 cut_result 中对应位置的类别需与新值兼容（此处 '[190, 200]' 已在 labels 中定义，故可安全注入）；
- 若数据中存在 200.0 以外的 200（如整数 200），建议统一转换为浮点或使用 s.round(1).eq(200.0) 增强鲁棒性；
- 此法适用于任意“仅末端闭合”的场景，只需修改 cond 和替换值即可迁移。
总结：pd.cut 本身不支持混合区间闭合性，但借助向量化布尔操作，我们能以极小代价实现精准控制——既保持代码简洁，又确保业务语义无损。
