经常听别人说Python在数据领域有多厉害，结果学了很长时间，连数据处理都麻烦得要死。后来才发现，原来不是Python数据处理厉害，而是他有数据分析神器——pandas
前言
本系列已经有一篇文章介绍pandas中实现Excel的vlookup函数的方式，但是vlookup中还有一个模糊匹配的功能，主要用于分段匹配，今天就来看看pandas中是如何做到同等效果。
案例1
今天，你接到一份紧急的临时需求，数据表格如下：
百万行的记录需要按照分数列，按规则计算出评级规则表如下：
这是特意为Vlookup而设计的规则表若按pandas来设计规则表，那么Vlookup的解决方式就会很麻烦。
怎么办？数据多到Excel也打不开，管你是Vlookup还是Xlookup也没用。
多功能的Vlookup
由于这次数据太多，用Excel已经不能打开此文件，因此我用少量数据简单演示一下如何用Vlookup解决此问题：
其实就是最后一个参数输入1(True)，即可很重要一点，规则表的值列，记得要排好序，否则结果错乱你也不知道pandas中的分段匹配
这种需求在数据处理一般称为分箱，pandas中使用cut方法做到：
我们从csv读取数据，从Excel中读取规则表注意这是pandas的顶层方法，因此是pd.cut()第1参数传入判断数据列第2参数传入规则表的值，但是cut方法必需给定所有区间的边界。像本例子的规则表，没有高于分的结束边界，我们需要添加一个很大的值作为结束边界参数right，设置为False，只是为了与vlookup效果一致而已，表示：右区间边界开放，比如：分，被划分到A+评级参数labels，就是返回的结果可以看到pandas可以轻松从任意数据源中读取数据，本例中即使你的数据源在各种数据库也是没问题注意，bins没有升序排序时，会报错。这是非常好的设计
看文字很难理解，看看这个示意图，应该清晰很多：
案例2：自动划分
在实际分析工作中，你可能一开始并不清楚到底规则表的各个节点怎么定义才合理。
比如你现在希望划分3个段，但你不知道各个段之间的边界怎么定义才合理。那么可以这样子调用cut方法：
cut方法的第2参数，我们指定3，表示划分3段不指定参数labels，这可以看到划分的区间。你也可以指定labels：
最后的划分结果尽可能每个区间数量平衡，来看看各区间的数量：
总结
pd.cut()，对数据做分箱处理参数bins可以指定自己的规则表，也可以直接指定划分段数目指定划分段数目时，会自动定义各个划分区间当指定的bins规则表没有升序排序时，会报错
如果希望从零开始学习pandas，那么可以看看我的pandas专栏。