我在一个关于应用的数据集上尝试进行线性回归，并将应用的评级作为标签。当我试图将标签分成不同的类别时，即使没有指定，也出现了第三个类别’NaN’。

bins = (2, 3, 5)group_names = ['bad', 'good']appStore['user_rating'] = pd.cut(appStore['user_rating'], bins = bins, labels = group_names)appStore['user_rating'].unique()

结果为

[good, bad, NaN]Categories (2, object): [bad < good]

我甚至运行了以下代码

appStore.isnull().sum()

结果显示没有空值，所有字段的结果都是0。

编辑：我还调整了bins为bins = (0, 3, 5)来分割数据，因为该列的最小值为0，最大值为5。但仍然出现了NaN。

这是我运行sns.countplot(appStore[‘user_rating’])的结果：

如你所见，没有异常数据。

回答：

使用pandas.cut()方法，我们可以像你那样定义bin边界：

bins = (2, 3, 5)

这意味着我们定义了两个有效的类别：

一个类别包含值在(2和3)之间，另一个类别在(3和5)之间。任何不在这些类别范围内的值将被标记为NaN。

问题在于，你的数据中包含了不在你定义的区间内的值。我用一个例子来演示：

import pandas as pdappStore = pd.DataFrame()appStore['user_rating'] = [2.3, 3.3, 4, 6]bins = (2, 3, 5)group_names = ['bad', 'good']appStore['user_rating'] = pd.cut(appStore['user_rating'], bins=bins, labels=group_names)print(appStore['user_rating'].unique())print()print(appStore)

输出：

[bad, good, NaN]Categories (2, object): [bad < good]  user_rating0         bad1        good2        good3         NaN

如你所见，6既不属于(2和3)之间，也不属于(3和5)之间。因此，对于这些异常数据，你没有定义标签，所以pandas用NaN来替代缺失的标签值。

如果你数据中没有这样的异常值，那么这个问题就不会发生：

import pandas as pdappStore = pd.DataFrame()appStore['user_rating'] = [2.3, 3.3, 4, 4.5]bins = (2, 3, 5)group_names = ['bad', 'good']appStore['user_rating'] = pd.cut(appStore['user_rating'], bins=bins, labels=group_names)print(appStore['user_rating'].unique())print()print(appStore)

输出：

[bad, good]Categories (2, object): [bad < good]  user_rating0         bad1        good2        good3        good

注意： bin边界是向下排除和向上包含的，例如，定义为(1,2,3)的边界不会包含1（它将被归类为NaN），但会包含3作为(2-3)的一部分。