📚 课程目录第2章等距分箱与等频分箱

等距分箱与等频分箱：原理与实现，优缺点比较，适用条件

分箱这事吧，说简单也简单，说坑也真坑。我记得刚入行那会儿，拿到一个连续特征就直接等宽分箱，结果模型死活不收敛。后来才明白——分箱不是切段，分箱是在替你整理特征的“脾气”。

今天咱们就聊两种最基本、也最常用的分箱方式：等距分箱和等频分箱。

1. 等距分箱：公平但未必合理

等距分箱，英文叫Equal Width Binning。说白了，就是把特征的取值范围切成等长的几段。

import numpy as np

def equal_width_binning(data, n_bins=5):
    """
    等距分箱实现
    data: 一维数组
    n_bins: 箱数
    返回: bin_labels, bin_edges
    """
    # 确定边界
    min_val = np.min(data)
    max_val = np.max(data)
    width = (max_val - min_val) / n_bins
    bin_edges = [min_val + i * width for i in range(n_bins + 1)]
    
    # 划分
    bin_labels = np.digitize(data, bins=bin_edges) - 1
    # 处理最大值落在最后一个边界的情况
    bin_labels = np.clip(bin_labels, 0, n_bins - 1)
    
    return bin_labels, bin_edges

# 举个栗子
ages = np.array([18, 22, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80])
labels, edges = equal_width_binning(ages, n_bins=4)
print("边界:", edges)
print("标签:", labels)

你看，等距分箱的代码很简单。边界均匀分布，每个箱子的宽度一样。我有个习惯：只要特征分布比较均匀，或者业务上要求“每段代表相同的数值间隔”（比如收入区间、温度区间），我就会用等距。

⚠️ 致命陷阱： 等距分箱最怕数据长尾分布。举个例子，某特征的90%样本集中在[0,10]，剩下10%分布在[10,1000]。切5个等宽箱子后，每个箱子宽度是200，结果前4个箱子几乎都是空的，所有样本都挤在第5箱——分了个寂寞。

2. 等频分箱：样本量公平

等频分箱（Equal Frequency Binning）的思路正好反过来：每个箱子里的样本数量尽量相等。

def equal_frequency_binning(data, n_bins=5):
    """
    等频分箱实现
    使用分位数确定边界
    """
    import numpy as np
    
    # 排序
    sorted_data = np.sort(data)
    n = len(sorted_data)
    
    # 计算分位数边界
    quantiles = np.linspace(0, 100, n_bins + 1)
    bin_edges = np.percentile(sorted_data, quantiles)
    # 处理重复边界
    bin_edges = np.unique(bin_edges)
    
    # 如果唯一边界数量不足，退化为等距
    if len(bin_edges) - 1 != n_bins:
        # 我遇到过这种情况：数据离散值太少
        # 比如年龄全是整数，且范围很窄
        # 此时我建议减小箱数
        n_bins = len(bin_edges) - 1
        print(f"警告：实际箱数调整为 {n_bins}")
    
    bin_labels = np.digitize(data, bins=bin_edges) - 1
    bin_labels = np.clip(bin_labels, 0, n_bins - 1)
    
    return bin_labels, bin_edges

# 同样数据试试
labels_freq, edges_freq = equal_frequency_binning(ages, n_bins=4)
print("等频边界:", edges_freq)
print("等频标签:", labels_freq)

等频分箱的核心是分位数。它保证每个箱子样本量差不多。我个人比较推荐在特征分布偏态严重的时候用它。比如电商订单金额，大部分是小额订单，偶尔有几个大额。用等距分箱的话，大额那几笔自己占一个箱子，其他几万笔挤在另一个箱子——你说这有意义吗？

💡 实战经验： 我曾经在信用评分卡项目里，收入特征用等距分箱，结果IV值计算出来特别低。换成等频分箱后，IV直接翻倍。原因很简单：等频分箱帮我把样本分布不平衡的问题消化了，每个箱子都有足够样本去统计违约率。

3. 核心对比：一张表说清楚

维度	等距分箱	等频分箱
箱宽	固定	不固定
样本分布	可能极度不均	每个箱子样本 ≈ 相等
对异常值敏感度	高（一个异常值会拉宽所有箱子）	低（异常值只影响最后一个箱子）
边界可解释性	好（整数边界好理解）	差（边界可能是小数或奇怪值）
离散值处理	如果离散值多，重复边界多	分位数可能重复，需要降箱数
计算复杂度	O(n) 快速	O(n log n) 需要排序
常见应用	轻度风险评分、温度、年龄	收入、金额、偏态特征

你看，没有绝对的好与坏。我个人选型的原则是：先看特征分布直方图。如果直方图接近均匀分布或正态分布偏峰较小的，用等距；如果直方图是长尾、J型、幂律分布，赶紧用等频。

4. 适用条件：什么时候该用哪个？

我把自己踩过的坑总结成几条经验：

等距，适合区间有业务意义。比如“0-18岁未成年，18-60岁成年，60岁以上老年”。虽然箱子长度不一样，但业务上有明确含义。等距分箱的边界天然就是等宽，方便你映射成业务标签。
等频，适合样本量优先。比如你在构建风控模型，每个分数区间都需要足够多的好样本和坏样本去计算WOE。等频分箱能保证每个箱子至少有1000条样本（假设总样本10000，5个箱子每个2000）。
等距，适合后续做线性模型。有些特征如果均匀分段，可以和线性模型里的系数解释对齐。比如“每增加10岁，风险增加X%”。
等频，适合树模型分箱预处理。LightGBM本身是树模型，但如果你的特征值特别多（比如地理位置经度），先做等频分箱可以减少分叉候选，训练更快。

我个人建议：千万不要只试一种就出结论。至少跑两版：等距5箱、等频5箱，对比一下每个箱子的目标变量均值变化趋势。如果等距的箱均值图有波折（比如先升后降再升），说明特征和目标的非线性关系没有被等距捕捉，这时候等频往往更平滑。

5. 等距 vs 等频——一张SVG流程图帮你理解

下面这个图展示了同一个特征分别用等距和等频分箱的切片效果。蓝色箭头是等距边界（均匀分割），红色箭头是等频边界（按分位数分割）。你会看到等频的边界在密度高的区域更密集。

6. 避坑指南

讲几个我真实遇到的坑：

边界重复。如果数据里大量重复值（比如年龄全是整数），等频分箱的分位数可能撞到一起。我遇到过5个箱子实际只分出3个边界。解决办法：要么减少箱数，要么先对数据加微小噪声。
空箱子。等距分箱配合离散稀疏数据，容易出现空箱子。空箱子在后续WOE计算中分母为0，直接爆炸。我一般会加一个最小样本数阈值（比如≥50条/箱），如果不够就合并相邻箱子。
边界解释性。业务方经常问我：“你这个0.37到0.52是什么意思？”等频边界有时是奇怪的小数。如果业务上要求整数边界，我建议先做等频分箱，然后手动微调边界到最近的整数。
在线推理的一致性。注意了，训练时你拟合的分位数边界，上线后对新数据的推导可能溢出。比如新样本特征值比训练集最大值还要大，等频分箱的最后那个箱子要处理成“≥边界值”。我习惯把每个箱子的上下界都设为无穷大符号，保证边界稳定。

💡 一个小技巧： 当数据量小于1000条时，我不建议用等频分箱。原因是样本太少，分位数估计不稳定，换个数据集边界就跑偏。我一般数据量>10000时才放心用等频。

7. 总结

等距分箱和等频分箱，就像工具箱里的两把螺丝刀——十字和一字，各有各的用处。记住几句话就够用了：

特征分布均匀 → 等距，好解释
特征偏态明显 → 等频，样本充足
数据量太少 → 别用等频
上线之前 → 检查边界稳定性

嗯，这一节咱们聊透彻了。下一种分箱方式——基于卡方分箱和决策树分箱，会更智能也更复杂。不过那是后面的事了，先把这两种基础分箱练熟，你就能应付80%的实战场景了。