17370845950

本文介绍如何基于一个参考数据框（df2）按日期分组计算的 qcut 分位数边界，精准地对另一个目标数据框（df1）中的数值列进行分箱（binning）并生成类别标签（如 0、1），特别适用于跨数据集的一致性分组场景。

在量化分析、风控建模或报表分层统计中，常需保证不同数据集在相同时间维度（如交易日）下使用完全一致的分箱逻辑——例如，用全量历史成交价（df2）计算每日四分位数边界，再将新样本（df1）映射到这些固定区间中。直接对 df1 单独分箱会导致边界漂移，破坏可比性；而 pd.qcut 不支持外部 bin 输入，因此需手动构建分箱流程。

核心思路分为四步：

1. 从参考数据（df2）提取分位数边界：按 PriceDate 分组，对 Price 列调用 pd.qcut(..., retbins=True) 获取各组的 bin 边界数组；
2. 关联边界到目标数据（df1）：通过 merge 将边界列表（Bins）按日期左连接至 df1；
3. 扩展边界以覆盖异常值：将原始 bin 的首尾替换为 -∞ 和 +∞，确保所有 Price 值均可被 pd.cut 安全归类；
4. 按日期分组执行分箱：对合并后的 DataFrame 按 PriceDate 分组，对每组 Price 应用 pd.cut 并返回整数标签。

以下是完整可运行代码：

import pandas as pd
import numpy as np

# 示例数据（已修正 df1 首值为 -4.4 以验证边界外处理）
df1 = pd.DataFrame({
    'Price': [-4.4, 3.6, 9.2, 3.4],
    'PriceDate': ['2025-10-01', '2025-10-01', '2025-10-01', '2025-10-02']
})
df2 = pd.DataFrame({
    'Price': [0.0, 3.6, 9.3, 4.5, 2.9, 3.2, 1.0, 6.7, 8.7, 9.8, 3.4, 0.7, 2.2, 6.5, 3.4, 1.7, 9.4, 10.0],
    'PriceDate': ['2025-10-01']*7 + ['2025-10-02']*11
})

# Step 1: 从 df2 提取每日期的 qcut 边界（2 分位 → 3 个边界点）
ref = df2.groupby('PriceDate')['Price'].apply(
    lambda g: pd.qcut(g, q=2, retbins=True)[1]
).reset_index(name='Bins')

# Step 2: 合并边界到 df1
df_merged = pd.merge(df1, ref,
 on='PriceDate', how='left')

# Step 3 & 4: 定义安全分箱函数并应用
def assign_bin(group):
    bins = group['Bins'].iloc[0]  # 取当前日期的边界列表
    # 扩展边界：保留中间断点，首尾替换为 ±inf（关键！）
    extended_bins = [-np.inf] + bins[1:-1].tolist() + [np.inf]
    # 执行分箱，返回整数标签（0-based）
    return pd.cut(group['Price'], bins=extended_bins, labels=False).astype('Int64')

df_merged['Rank'] = df_merged.groupby('PriceDate', group_keys=False).apply(assign_bin)
print(df_merged[['Price', 'PriceDate', 'Rank']])

输出结果：

   Price   PriceDate  Rank
0 -4.4  2025-10-01     0
1  3.6  2025-10-01     1
2  9.2  2025-10-01     1
3  3.4  2025-10-02     0

✅ 关键注意事项：

• bins[1:-1] 跳过首尾（因 qcut 返回的边界含最小/最大值，而 cut 需内部断点）；
• 使用 [-np.inf, ..., np.inf] 是鲁棒性保障，避免 ValueError: Bin edges must be unique 或 NaN 标签；
• 若需处理 NaN 价格，可在 assign_bin 中添加 group['Price'].dropna() 或设置 pd.cut(..., include_lowest=True)；
• 对于高基数日期（如万级交易日），建议将 ref 转为字典索引提升 merge 效率：bins_dict = ref.set_index('PriceDate')['Bins'].to_dict()，再用 map 替代 merge。

该方法确保了分箱逻辑完全复用参考分布，是实现跨数据集标准化分组的可靠范式。