### 如何根据值的范围对 Python 列表进行分组 在 Python 中，可以利用多种方法实现基于数值范围的列表分组功能。以下是几种常见的解决方案： #### 方法一：使用 `itertools.groupby` 和自定义键函数 通过导入 `itertools` 模块并调用其 `groupby()` 函数，可以根据指定的范围条件对数据进行分组。 ```python from itertools import groupby example_list = [97, 102, 108, 96, 103, 105, 110, 115] # 对原始列表按升序排序 sorted_example_list = sorted(example_list) # 使用 lambda 表达式作为 key 参数来划分区间 for k, g in groupby(sorted_example_list, key=lambda x: x // 5): range_start = k * 5 range_end = (k + 1) * 5 - 1 count = len(list(g)) print(f"{range_start}-{range_end}: {count}") ``` 此代码片段会按照每五个单位划分为一组，并统计每一组内的元素数量[^2]。 --- #### 方法二：手动构建字典存储分组结果 如果不需要依赖外部库，则可以通过简单的循环逻辑完成相同的目标。 ```python def group_by_range(data, interval=5): groups = {} for value in data: # 计算当前值所属区间的起始位置 start_of_interval = (value // interval) * interval if start_of_interval not in groups: groups[start_of_interval] = [] groups[start_of_interval].append(value) return [(f"{key}-{key+interval-1}", values) for key, values in groups.items()] data_points = [97, 102, 108, 96, 103, 105, 110, 115] result = group_by_range(data_points, interval=5) for r, v in result: print(r, ":", v) ``` 上述脚本创建了一个名为 `groups` 的字典对象用来保存各个子集及其对应的成员列表。 --- #### 方法三：借助 NumPy 库简化操作 当处理大规模数组时，NumPy 提供了一种高效的方式来进行类似的分区运算。 ```python import numpy as np values = np.array([97, 102, 108, 96, 103, 105, 110, 115]) bins = np.arange(min(values), max(values)+6, step=5) # 定义边界点序列 histogram, bin_edges = np.histogram(values, bins=bins) print("Bin Edges:") for i in range(len(bin_edges)-1): print(f"[{bin_edges[i]}, {bin_edges[i+1]}):", histogram[i]) ``` 这里我们先生成一系列连续的边缘坐标表示不同的桶区域，再应用 `np.histogram` 来获取落入这些区间的频率分布情况[^1]。 --- ### 总结 以上三种方式各有优劣，在实际开发过程中可根据具体需求选取最合适的方案实施。对于小型项目或者学习阶段而言，推荐优先尝试纯 Python 实现的方法；而对于涉及大量数据分析的任务来说，引入专门设计的数据科学工具包如 Pandas 或 SciPy 可能更加合适。