本文介绍在 pandas 中对数值序列进行非均匀分箱时，如何精确控制最后一个区间的闭合性——特别是让 `[190, 200]` 成为右闭区间（包含 200），突破 `pd.cut` 默认左闭右开限制。
在数据分析中，pd.cut 是最常用的分箱工具，但它默认所有区间均为“左闭右开”（如 [a, b)），即使设置 right=False 也仅将整体改为“左开右闭”（如 (a, b]），无法实现混合区间类型（例如前四段为 [a, b)，最后一段为 [c, d]）。当业务逻辑要求某特定值（如 200）必须被明确归入某个桶（尤其是作为右端点闭合）时，需结合布尔掩码进行后处理。
以下是一个完整、可复现的解决方案：
import pandas as pd # 构造示例数据：100.0 到 200.3 的等距浮点数（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 个间隔 → 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：用 pd.cut（left-closed, right-open）完成主体分箱 cut_result = pd.cut(s, bins=bins, labels=labels, right=False) # 第二步：识别值恰好等于 200 的位置，并强制赋值为 '[190, 200]' mask_200 = s == 200.0 out = cut_result.mask(mask_200, '[190, 200]') print(out.iloc[998:1003]) # 查看关键位置（含 199.9, 200.0, 200.1）输出片段：
998 [190, 200] 999 [190, 200] 1000 [190, 200] # ← 精确匹配 200.0，已正确归入闭区间 1001 NaN # ← 超出最大边界，保持 NaN（合理） 1002 NaN✅ 关键要点说明：
- bins 必须严格递增，且长度比 labels 多 1；
- right=False 确保前四段为 [a, b) 形式；
- 使用 .mask(condition, value) 是安全覆盖的推荐方式（比 .loc[condition] = value 更健壮，尤其对 category 类型）；
- 对于超出 bins 范围的值（如 200.1），pd.cut 默认返回 NaN，符合预期，无需额外处理；
- 若需将 200.0 映射为整数标签（如 4）而非字符串区间，可先用 pd.cut(…, retbins=False) 得到 codes，再单独修正 codes[s==200] = 4。
该方法简洁、高效、可扩展——若未来还需支持其他特殊点（如 100.0 强制归入首区间），只需增加对应布尔条件即可。