3、单变量特征分析：数值型特征分布分析（直方图、箱线图）、类别型特征频次分析、目标变量与特征的关联初探

单变量特征分析是风控建模中特征筛选的第一道关卡。其核心目标是通过对每个特征独立进行统计描述与可视化探查，快速识别数据质量异常、分布形态偏离以及特征与目标变量之间的初步关联信号。本节将分别针对数值型特征与类别型特征，系统讲解分布分析、频次分析及关联初探的方法论与实操要点。

3.1 数值型特征分布分析

数值型特征（如年龄、收入、负债率、授信额度）的分布分析主要依赖直方图与箱线图两种工具。直方图揭示数据的整体形态（对称、偏态、多峰），箱线图则聚焦于离散程度与异常值识别。

3.1.1 直方图：分布形态与分箱策略

直方图通过将连续数值划分为若干区间（bins），统计每个区间内的样本频次或频率，从而直观展示数据的概率密度轮廓。在风控场景中，直方图常用于检测以下问题：

• 偏态分布：如收入特征通常呈右偏（长尾在高收入端），需考虑对数变换或分箱处理。
• 双峰/多峰分布：可能暗示存在子群体（如不同客群），需进一步分层分析。
• 边界堆积：在0或最大值处出现异常高频，可能为截断数据或录入错误。
• 缺失值占位：如用-999或0填充缺失，会在直方图中形成孤立尖峰。

3.1.2 箱线图：离散度与异常值检测

箱线图基于五数概括（最小值、Q1、中位数、Q3、最大值）绘制，箱体代表IQR（Q3-Q1），须线延伸至1.5倍IQR范围内的最远数据点，之外的标记为异常值。在风控特征筛选中，箱线图的价值体现在：

• 异常值识别：极端值可能代表欺诈行为或数据错误，需结合业务判断是否剔除或单独编码。
• 特征稳定性：对比训练集与测试集的箱线图，若IQR或中位数偏移过大，特征可能存在时间漂移。
• 分组对比：按目标变量（好/坏客户）绘制分组箱线图，可初步判断特征区分度。

3.2 类别型特征频次分析

类别型特征（如职业、学历、婚姻状况、产品类型）的分布分析以频次统计为核心，重点关注类别数量、稀疏性及业务合理性。常用工具包括频数分布表与柱状图。

3.2.1 频次分布表与柱状图

频次分布表列出每个类别的样本计数与占比，柱状图则将其可视化。在风控场景中，需特别关注以下现象：

• 长尾类别：大量低频类别（如职业中的“其他”或罕见职业）可能导致模型过拟合，需考虑合并或归入“稀有类别”。
• 类别不平衡：若某个类别占比超过95%，该特征对模型的贡献可能极低，需评估是否保留。
• 业务异常值：如“年龄”字段中出现“学生”类别但年龄为60岁，需标记为数据错误。
• 缺失值编码：若“未知”或“缺失”类别占比过高，需判断是否为系统性缺失。

3.3 目标变量与特征的关联初探

单变量分析的最终目的是评估每个特征对目标变量（如逾期/非逾期）的区分能力。关联初探不追求精确的统计显著性，而是快速筛选出有潜力的特征，为后续的多变量建模提供候选集。

3.3.1 数值型特征：分组统计与趋势检验

对于数值型特征，常用的关联初探方法包括：

• 分组均值/中位数对比：按目标变量分组，计算特征的均值、中位数、标准差。若两组差异显著（如好客户平均收入8万，坏客户平均收入5万），则特征具有区分潜力。
• 分箱坏样本率曲线：将特征等频或等距分箱，计算每箱的坏样本率，绘制折线图。若坏样本率随特征值单调递增或递减，说明特征与目标存在线性或单调关系。
• KS统计量：计算好、坏两组累积分布的最大垂直距离，KS值越大，区分能力越强。通常KS > 0.1的特征值得保留。

3.3.2 类别型特征：坏样本率对比与卡方检验

对于类别型特征，关联初探主要依赖：

• 类别坏样本率：计算每个类别的坏样本率，观察是否存在高风险类别（如职业“自由职业”坏样本率15% vs 整体5%）。
• 卡方独立性检验：检验特征与目标变量是否独立。p值小于0.05通常认为存在显著关联，但需注意大样本下p值易显著，应结合效应量（如Cramer's V）判断。
• 信息价值（IV）：IV是风控领域最常用的单变量筛选指标，计算公式为：IV = Σ( (好占比 - 坏占比) * ln(好占比/坏占比) )。IV < 0.02为无预测力，0.02~0.1为弱，0.1~0.3为中，>0.3为强（需警惕过拟合）。

3.4 单变量分析结果汇总与决策

完成上述分析后，需将每个特征的评估结果汇总至特征筛选清单，并做出初步决策。下表展示了典型的汇总模板：