第4章 等距分箱原理与实践：固定宽度分箱的方法与代码实现

等距分箱，也叫固定宽度分箱，说白了就是把数据按等长的区间切一刀。你设定好区间数，系统会自动算出每个区间的宽度，然后数据往里一扔，哪个区间就归到哪个箱。

我在项目中最早接触这个场景，是处理用户年龄特征。当时领导说“把年龄分5个段就行了”，我第一反应就是 pd.cut 一行搞定。可后来发现，年龄分布不均匀，有的箱里塞满了人，有的箱空得可怜。这就引出了等距分箱的优缺点——它简单，但不一定适配数据分布。

4.1 等距分箱的核心原理

假设你有一组数值特征 x，最小值是 x_min，最大值是 x_max。你想分 k 个箱，那么每个箱的宽度就是：

width = (x_max - x_min) / k

第 i 个箱的区间为：

[x_min + i*width, x_min + (i+1)*width) ，i = 0, 1, ..., k-1

注意：左闭右开，最后一个区间是闭区间。

来看一张图，更直观。

4.2 什么时候用等距分箱？

我个人习惯：当数据分布比较均匀，或者你不想对分布做任何假设时，等距分箱是首选。比如处理分数、距离、时间戳等纯量，区间本身有可比性。

但你要是遇到长尾分布、严重偏态的数据——比如收入、点击次数——等距分箱很可能让前几个箱挤爆，后面扫几个空箱。这时候等频分箱或自定义分箱更合适。

4.3 代码实现（Python + LightGBM 场景）

我直接上实战代码。假设你有一份用户信用评分数据，评分范围 300~850，你想分 10 个等距箱。

import pandas as pd
import numpy as np

# 模拟数据
np.random.seed(42)
scores = np.random.randint(300, 851, size=10000)

# 等距分箱
bins = 10
df = pd.DataFrame({'score': scores})
df['score_bin'], cut_bins = pd.cut(df['score'], bins=bins, 
                                     retbins=True, labels=False)

# 查看区间边界
print("区间边界:", cut_bins)
# 输出：区间边界: [300.  355.  410.  465.  520.  575.  630.  685.  740.  795.  850.]
# 每个区间宽度 = 55

# 统计每个箱的样本数
print(df['score_bin'].value_counts().sort_index())

你看，pd.cut 默认把最大值和最小值等分，返回一个 Categorical 类型。我习惯用 labels=False 得到整数编号，后续喂给 LightGBM 时直接当 int 特征用。如果你想要区间标签，可以传 labels=True，但 LGB 引擎需要数值型，所以整数编号更安全。

4.4 避坑指南：边界处理和缺失值

等距分箱遇到这几个坑，我一个个说。

• 边界外数据： pd.cut 默认右开左闭，最后一个区间是闭区间。如果你想包括两端，可以设置 include_lowest=True。我建议你分箱前先打印一下 cut_bins，确认边界。
• 缺失值： pd.cut 遇到 NaN 会返回 NaN。LightGBM 原生支持缺失值，你可以保留 NaN 直接传入；或者用 fillna 填充一个箱外值，比如 -1，再设置 extend=True 让区间包含它。我个人的经验是：对缺失值单独设一个箱，不要硬填到正常区间里，否则会污染模式。
• 分箱数选择： 不是越多越好。箱太多，每个箱样本太少，模型容易过拟合；箱太少，丢掉信息。我在做 Kaggle 竞赛时常用 np.histogram_bin_edges 的 “sturges” 或 “fd” 规则估计箱数，然后微调。但更靠谱的做法是：等距分箱后用 LightGBM 跑几轮，看特征重要性变化。

4.5 在 LightGBM 中的最终形态

分箱后，你把 score_bin 作为类别特征（categorical_feature）传给 LightGBM。注意：LGB 的类别特征不接受连续浮点数，所以 labels=False 返回的整数是最合适的。

import lightgbm as lgb

train_data = lgb.Dataset(df[['score_bin', 'other_features']], 
                         label=labels,
                         categorical_feature=['score_bin'])

params = {
    'objective': 'binary',
    'metric': 'auc',
    'learning_rate': 0.05,
    'num_leaves': 31,
    'feature_fraction': 0.8,
    'verbosity': -1
}

model = lgb.train(params, train_data, num_boost_round=100)

你想想看，等距分箱的最终目的是把数值特征离散化，让树模型更容易找到分裂点。LGB 的直方图算法本来就基于分箱，你提前分好，它能减少一次建直方图的开销——虽然有重复工作，但灵活性在你手里。