4. 数据探索与可视化：坏样本分布分析、时间序列趋势、单变量与多变量可视化
数据探索与可视化是坏样本归因的第一步，也是连接原始数据与特征工程的桥梁。本章聚焦于如何通过可视化手段，系统性地揭示坏样本的分布特征、时间演化规律以及变量间的关联关系，为后续的特征构造与模型训练提供方向性指引。
4.1 坏样本分布分析
坏样本分布分析的核心目标是回答三个问题：坏样本有多少？、坏样本集中在哪些群体？、坏样本的分布是否稳定？。以下表格总结了三种常用分析方法及其适用场景：
| 分析方法 | 可视化工具 | 核心洞察 | 典型应用场景 |
|---|---|---|---|
| 标签分布统计 | 柱状图 / 饼图 | 坏样本占比、类别平衡性 | 二分类、多分类任务初始评估 |
| 分层坏样本率 | 分组柱状图 / 堆叠图 | 不同群体（如地区、渠道）的坏样本浓度 | 风控、反欺诈、用户分层 |
| 坏样本累积分布 | 累积分布函数（CDF）图 | 坏样本在特征取值上的集中程度 | 阈值设定、异常值检测 |
实践要点：在分析坏样本分布时，务必同时观察绝对数量与相对比例。例如，某个分层的坏样本率高达 30%，但样本总量只有 50 条，此时统计显著性不足，需要结合置信区间或贝叶斯方法进行修正。
4.2 时间序列趋势分析
时间序列趋势分析用于检测坏样本是否随时间呈现系统性变化，例如季节性波动、趋势漂移或突发性事件冲击。以下是时间序列分析的标准流程：
- 聚合粒度选择：按日、周、月或业务周期聚合坏样本数量与坏样本率。
- 趋势分解：使用移动平均或 STL 分解，分离趋势、季节性与残差成分。
- 突变点检测：利用 CUSUM 或 PELT 算法识别坏样本率发生显著变化的时刻。
- 业务对齐：将突变点与业务事件（如策略调整、系统上线、外部环境变化）进行关联。
避坑提示：时间序列可视化中，不要只画坏样本绝对数量，必须同时绘制坏样本率（坏样本数 / 总样本数）。因为绝对数量的增长可能仅由流量增加导致，而坏样本率的变化才真正反映质量波动。
下图展示了坏样本率在时间维度上的典型趋势模式，包含趋势上升、季节性波动以及一个明显的突变点：
4.3 单变量可视化
单变量可视化用于分析每个特征与坏样本标签之间的独立关系。根据特征类型，选择不同的可视化方式：
| 特征类型 | 推荐图表 | 关键观察指标 | 坏样本归因价值 |
|---|---|---|---|
| 连续型数值特征 | 箱线图（分组） / 直方图（堆叠） | 中位数偏移、分位数重叠、分布形态差异 | 识别特征阈值、异常值区间 |
| 离散型类别特征 | 柱状图（坏样本率标注） | 类别内坏样本浓度、稀疏类别 | 发现高风险类别、指导特征编码 |
| 有序型特征 | 折线图（坏样本率随等级变化） | 单调性、阶梯效应 | 验证特征排序合理性、检测数据异常 |
常见误区：单变量分析容易忽略特征间的交互作用。例如，特征 A 单独看与坏样本无关，但特征 A 与特征 B 组合后，坏样本率急剧上升。因此，单变量分析必须与多变量分析配合使用，不能单独下结论。
4.4 多变量可视化
多变量可视化旨在揭示两个或多个特征与坏样本标签之间的联合分布与交互效应。以下是三种核心的多变量可视化方法：
- 散点矩阵（Pair Plot）：展示多个连续特征两两之间的散点图，并用颜色区分好坏样本，快速发现线性可分性、聚类结构或异常点。
- 热力图（相关性矩阵）：计算特征之间以及特征与标签之间的相关系数，用颜色深浅表示相关强度，辅助筛选冗余特征与强相关特征。
- 平行坐标图（Parallel Coordinates）：将多个特征的取值映射到平行轴上，每条折线代表一个样本，通过折线轨迹的聚集模式发现坏样本的典型特征组合路径。
下图展示了多变量分析中常用的特征交互与相关性分析框架：
4.5 可视化驱动的归因策略
基于上述可视化分析，可以形成以下归因策略优先级：
归因优先级排序：
1. 时间序列突变点 → 优先排查业务事件、系统变更或外部冲击。
2. 单变量强区分特征 → 直接作为核心特征进入模型，或构造交叉特征。
3. 多变量交互效应 → 通过特征组合或特征交叉捕捉非线性关系。
4. 分布漂移特征 → 监控模型稳定性，必要时进行特征重采样或分布对齐。
1. 时间序列突变点 → 优先排查业务事件、系统变更或外部冲击。
2. 单变量强区分特征 → 直接作为核心特征进入模型，或构造交叉特征。
3. 多变量交互效应 → 通过特征组合或特征交叉捕捉非线性关系。
4. 分布漂移特征 → 监控模型稳定性，必要时进行特征重采样或分布对齐。
通过系统化的数据探索与可视化，坏样本归因从“黑盒猜测”转变为“数据驱动的可解释分析”，为后续的特征工程与模型训练奠定坚实的认知基础。