Python统计文本文件指定区间数据量：循环与Pandas实现

脚本专家

Python 统计文本文件指定区间数据量时，核心流程是读取文件、定义区间、筛选计数、输出结果。常见数据格式是每行一个数值，目标区间可能是 [455120,455140]、[455140,455160]、[455160,455180]、[455180,455200] 等连续区间。下面按基础循环实现和 Pandas 分箱实现两部分说明，并说明边界条件和最后一个 else 容易出错的地方。

一、基础循环：读取、判断、计数
先用 load_numbers(file) 读取文件，把每行转换为 float。原文使用 readlines() 逐行读取，再追加到列表。这里要注意：如果文件中有表头、空行或非数值内容，float(line) 会抛 ValueError，需要提前清洗或加 try/except。基础实现如下：

2. def load_numbers(file):
3.     numbers = []
4.     with open(file, 'r') as f:
5.         for line in f.readlines():
6.             numbers.append(float(line))
7.     return numbers
9. if __name__ == '__main__':
10.     numbers = load_numbers('XXX.txt')
12.     min1, max1 = 455120, 455140
13.     min2, max2 = 455140, 455160
14.     min3, max3 = 455160, 455180
15.     min4, max4 = 455180, 455200
17.     i = j = k = l = 0
18.     for val in numbers:
19.         # > 和 < 表示不包含边界；若要包含上下限，改成 >= 和 <=
20.         if val > min1 and val < max1:
21.             i += 1
22.         elif val > min2 and val < max2:
23.             j += 1
24.         elif val > min3 and val < max3:
25.             k += 1
26.         else:
27.             l += 1
29.     with open('result.txt', 'w') as f:
30.         f.write('[%d,%d]:%d\n' % (min1, max1, i))
31.         f.write('[%d,%d]:%d\n' % (min2, max2, j))
32.         f.write('[%d,%d]:%d\n' % (min3, max3, k))
33.         f.write('[%d,%d]:%d\n' % (min4, max4, l))
35.     print('done.')

复制代码

这段代码把区间判断写成 if/elif 链。前三个区间用大于下限且小于上限的条件，最后一个区间直接用 else 承接。如果数据严格落在四个区间内，且不包含边界，结果没有问题；但如果数据可能小于 455120、大于 455200，或者恰好等于 455140、455160、455180 等边界值，它们也会被计入 l，导致第四个区间统计偏大。更严谨的写法是把最后一个分支也写成明确条件：

2. elif val > min4 and val < max4:
3.             l += 1

复制代码

如果还需要统计区间外数据，可以再增加一个计数器。边界是否需要包含，必须根据业务定义提前确定：> 和 < 是开区间，>= 和 <= 是闭区间。对于连续区间，常采用“左闭右开”，例如 val >= 下限 and val < 上限，避免边界值被重复统计。

二、Pandas 与 pd.cut：一次性统计多个区间
当数据量较大，或者数据已经在 CSV/Excel 中，用 Pandas 的 pd.cut 分箱会更简洁。它可以把一列数值按 bins 切分，再用 value_counts 汇总。示例：

2. import pandas as pd
4. df = pd.read_csv('data.csv', header=None, names=['value'])
6. bins = [455120, 455140, 455160, 455180, 455200]
7. labels = ['455120-455140', '455140-455160', '455160-455180', '455180-455200']
9. df['range'] = pd.cut(df['value'], bins=bins, labels=labels, right=False)
10. count = df['range'].value_counts().sort_index()
11. print(count)

复制代码

pd.cut 的 right 参数决定区间开闭：默认 right=True，表示左开右闭；传入 right=False 后变成左闭右开。上面 bins 有 5 个边界，因此会得到 4 个区间。如果数据是 Excel，只需把读取方式换成 pd.read_excel('文件.xlsx')，后续分箱和统计逻辑不变。相比手写循环，Pandas 方式更适合数据量大、区间多、需要复用 DataFrame 的场景；手写循环则适合小文件、无第三方依赖或需要嵌入简单脚本的场景。

三、排查与结果输出
如果统计结果不符合预期，优先检查三处：一是文件每行是否都能转换为数值；二是条件中的 >、<、>=、<= 是否与业务边界一致；三是最后一个 else 是否把区间外数据也计入了目标区间。原文将结果写入 result.txt，并用 print('done.') 提示结束。实际使用时，也可以在写入前对计数结果做一次总和校验：各区间计数之和应当等于参与统计的数据总数，若不等，说明边界或过滤逻辑存在遗漏。

总结：统计数据文件特定区间数据量，基础方案是 load_numbers 读取每行数值，再用 if/elif 遍历计数；高效方案是 Pandas + pd.cut 分箱后 value_counts。关键不在循环本身，而在区间开闭、最后一个 else 的边界处理，以及数据读取时的类型转换。

热心网友4

楼主的思路很清楚，基础循环和 Pandas 分箱两条路线都覆盖到了。我特别同意最后一个 else 那里很容易踩坑，连续区间统计时如果直接把剩余都归到最后一档，确实会把区间外和边界值也算进去。左闭右开这个处理方式很实用，能避免边界值重复计数。Pandas 的 pd.cut 配合 right=False 和 value_counts 也很简洁，数据量大或区间多的时候会省事很多。另外，读取文件时对空行、表头和非数值行做清洗或异常处理这点很关键，不然 float 转换容易直接报错。最后再用各区间计数之和和参与统计的数据总数对一下，也能快速发现边界或过滤逻辑有没有遗漏。整体内容挺实用的。

热心网友4

楼主这篇整理得很清楚，尤其是最后一个 else 的坑，确实很容易把区间外或边界值算进第四段。实际写的时候把四个区间都写成明确的 elif，再单独留一个计数器给区间外数据，最后用各区间计数之和和总数对一下，基本能定位大部分边界问题。连续区间用左闭右开也挺合理，比如 val >= 下限 and val < 上限，能避免相邻区间重复统计边界值。Pandas 的 pd.cut 加 right=False 和 value_counts 对多区间确实省事，小文件或不想引入第三方库时用基础循环也够。读取那部分如果文件有表头、空行或异常字符，提前清洗或加 try/except 很必要，不然 float 转换会直接中断。感谢分享，很实用。

热心网友4

楼主整理得很完整，尤其是把最后一个 else 兜底导致区间外数据被算进第四段这个坑讲透了，这个确实是最容易忽略的地方。基础循环方案里，我一般会把四个区间条件都写全，再额外加一个区间外计数器，这样小于 455120、大于等于 455200 以及落在边界上的数据都能单独看到，不会混进目标区间。读取时如果文件可能有空行或表头，先 strip 再判断，或者用 try/except 包一下 float，不然一个坏行就全断了；数据大时用 for line in f 逐行迭代也比 readlines 省内存。 Pandas 那段用 pd.cut 配 right=False 很清爽，左闭右开能避免连续区间边界重复统计。实际用时如果 CSV 里有空值或非数值，读取后先 dropna 或检查一下，再做 value_counts，最后拿各区间计数之和和有效数据总数对一遍，和楼主说的一样，能很快发现边界或过滤逻辑有没有漏。两种方案各有场景，小文件循环、大文件分箱，思路很实用。