业务规则固定时用pd.cut，按指定数值边界分组；需样本量均衡时用pd.qcut，按分位数等频分组；二者输出均为Categorical但逻辑不同，处理重复值、极值等需手动干预。

什么时候该用 pd.cut？看业务边界是否固定

如果你的分组标准来自外部规则（比如“0–60 不及格、60–85 及格、85–100 优秀”），或者数据天然有明确阈值（如年龄分段：0–18 未成年、18–60 成年、60+ 老年），pd.cut 是唯一合理选择。它按你给的数值边界硬切，不看数据分布。

• 传入 bins 为列表（如 [0, 60, 85, 100]）时，严格按左闭右开（默认 right=True → (0, 60]）或左开右闭（设 right=False → [0, 60)）划分
• 传入 bins 为整数（如 bins=5）时，会等宽切分：(max - min) / 5 作为每个箱宽度，边界由数据极值决定，结果可能不符合业务直觉
• 容易踩坑：未设 include_lowest=True 时，最小值可能被划到 NaN 箱（尤其当 bins 是整数且数据含极小值）

什么时候必须用 pd.qcut？看样本量是否要均衡

当你需要“每组人数差不多”，比如做用户分层运营（Top 10% 高价值用户、中间 80%、Bottom 10%）、或训练模型前强制平衡类别分布，pd.qcut 才是解法。它不管数值差多少，只保证每箱含大致相等数量的样本。

• 核心参数是 q（如 q=4 表示四分位数，即分成 4 组），不是 bins
• 若数据有大量重复值（如大量 0 或集中于某区间），qcut 可能报 ValueError: Bin edges must be unique —— 这时得先去重或改用 cut + 自定义边界
• 返回的区间边界是反算出来的分位点（如 25%、50%、75% 分位数），所以每箱宽度不同；对偏态数据（如收入、点击率）更鲁棒

cut 和 qcut 的输出类型与后续处理差异

两者都返回 Categorical 类型，但底层逻辑不同，影响 value_counts() 和绘图行为：

• cut 输出的区间标签是确定的字符串（如 (60, 85]），可直接用于分组聚合或 map 映射业务含义
• qcut 输出的区间标签默认是浮点范围（如 (2.345, 6.789]），精度高但难读；建议加 labels=False 得到整数编码，或手动传入 labels=['Q1', 'Q2', 'Q3', 'Q4']
• 若后续要用 groupby 做统计，qcut 分箱后各组频次接近相等，而 cut 分箱后常出现“头重脚轻”（如大部分数据挤在中间一箱）

一个真实易错场景：用 qcut 分 10 组却只得到 9 个非空箱

这不是 bug，是预期行为。当数据量不能被整除（如 99 条数据分 10 组），qcut 会尽力让每组样本数相差 ≤1；但若存在大量重复极值（如 20 个 0 和 20 个 100），分位点会坍缩，导致某些箱无数据。

• 验证方法：运行 qcut.value_counts().sort_index()，看是否出现 0 计数的箱
• 解决办法：先检查数据分布（data.describe() + data.nunique()），若重复值占比高，优先用 cut + np.linspace 构造均匀边界，或用 qcut(..., duplicates='drop')（pandas ≥ 1.5.0）跳过重复分位点
• 注意：duplicates='raise'（默认）会直接报错，'drop' 才静默跳过 —— 很多人卡在这一步没看到文档说明

实际分箱没有银弹。业务规则强就选 cut，数据分布歪就靠 qcut，而真正麻烦的永远是那 10% 的边缘情况：重复值、缺失值、极值、样本量不足——这些不会自动消失，得手动 inspect。