Как классифицировать возраст по бинам с шагом 5 лет

Что проверяют

Задача простая, поэтому смотрят на аккуратность: как вы закрываете границы интервалов, что делаете с краями и пропусками, умеете ли обойтись без ручного перечисления бинов. Следом часто просят сделать то же без pandas или объяснить разницу с квантильным разбиением.

Как отвечать

Самый короткий путь в pandas это pd.cut с сеткой, собранной программно:

• сетка: bins = np.arange(0, 105, 5) даёт границы 0, 5, 10 и так до 100. Руками списки не пишите, в них легко потерять шаг;
• границы: по умолчанию right=True, интервалы вида (0, 5], и тогда пятилетний попадает в одну группу с годовалым, а ноль вообще выпадает (если не задать include_lowest=True). Для возрастных групп нужен right=False, интервалы [0, 5), [5, 10);
• подписи: генерируйте из той же сетки, например f"{b}-{b + 4}" по левым границам. Подписей должно быть на одну меньше, чем границ;
• выход за сетку: значения вне диапазона и пропуски получают NaN. Решите явно: добавить открытый бин до np.inf для «100+», отфильтровать или считать ошибкой данных;
• тип: результат это Categorical с упорядоченными категориями, сортировка идёт в правильном порядке. В groupby задавайте observed явно, от него зависит, попадут ли в результат пустые группы.

Без pandas хватает целочисленного деления: age // 5 * 5 даёт левую границу бина, из неё строится подпись. На массивах то же делает np.floor_divide векторно.

Если спросят про альтернативу: pd.qcut режет по квантилям, группы получаются равными по числу людей, но не по ширине. Для модели бинирование возраста часто лишнее, деревья сами найдут пороги, поэтому бины нужны скорее для отчётов и признаков в линейных моделях.

Где спотыкаются

Забывают про right=False. Возраст 30 уходит в группу «25-29», и подписи расходятся с данными.

Пишут границы и подписи двумя независимыми списками. Одна пропущенная граница, и все группы после неё сдвигаются.

Не проверяют результат на граничных значениях 0, 5, 99 и 100 и на отрицательном возрасте из грязных данных.