3. 等距分箱实战：使用 pandas 的 cut 函数进行等距分箱，处理边界值与异常值

等距分箱（Equal-Width Binning）是最直观的连续变量离散化方法。它将数值范围划分为 宽度完全相等 的区间，每个区间包含的样本量可能不同。本实战将聚焦 pandas.cut 的核心用法、边界值处理策略以及异常值对分箱结果的破坏性影响。

3.1 等距分箱的核心逻辑

等距分箱的数学定义：给定特征 x 的最小值 min 与最大值 max，若分为 k 箱，则每个箱的宽度 w = (max - min) / k。分箱边界为：[min, min+w, min+2w, ..., max]。

3.2 pandas.cut 函数详解

cut 是 pandas 提供的等距分箱主力函数。其核心参数如下：

3.3 基础实战：等距分箱代码

以下代码演示对模拟的“用户年龄”特征进行 5 箱等距分箱：

import pandas as pd
import numpy as np

# 生成模拟数据（含一个异常值）
np.random.seed(42)
ages = np.random.randint(18, 70, size=200)
ages = np.append(ages, [200])  # 故意加入异常值 200 岁

df = pd.DataFrame({'age': ages})

# 等距分箱：5箱
df['age_bin'] = pd.cut(df['age'], bins=5, right=True, include_lowest=True)

# 查看分箱结果分布
print(df['age_bin'].value_counts().sort_index())

输出示例（受异常值影响）：

(17.7, 54.0]    152
(54.0, 90.4]     44
(90.4, 126.8]     3
(126.8, 163.2]    0
(163.2, 200.0]    1

3.4 边界值处理策略

等距分箱的边界值处理是实操中的关键细节，直接影响分箱的完整性与可解释性。

• 最小值包含问题： 默认 right=True 且 include_lowest=False 时，最小值可能被排除。设置 include_lowest=True 确保第一个区间包含最小值。
• 边界重叠： 当数据中存在重复边界值时，设置 duplicates='drop' 自动合并重复边界。
• 自定义边界： 使用 bins=[0, 20, 40, 60, 100] 替代整数，可精确控制分箱节点。
• 标签映射： 使用 labels=['青年','中年','中老年','老年'] 提升可读性。

# 推荐做法：先截断异常值，再等距分箱
age_cap = df['age'].clip(upper=80)  # 将大于80的值截断为80
df['age_bin_clean'] = pd.cut(age_cap, bins=4, 
                              labels=['青年','中年','中老年','老年'],
                              include_lowest=True)
print(df['age_bin_clean'].value_counts().sort_index())

3.5 等距分箱流程与异常值处理

下图展示了从原始数据到最终分箱的完整流程，重点突出异常值检测与截断环节：

3.6 常见陷阱与避坑指南

• 空箱问题： 等距分箱后出现样本数为 0 的区间。解决方案：减少箱数或改用分位数分箱。
• 边界漂移： 训练集与测试集分别分箱导致边界不一致。解决方案：在训练集上拟合 bins，用 pd.cut(test, bins=train_bins) 统一映射。
• 标签顺序： labels 参数必须与 bins 数量一致，且按升序排列。
• 缺失值处理： cut 默认丢弃 NaN，需提前填充或单独编码为“缺失”箱。

3.7 等距分箱 vs 其他分箱方法