4. 自定义分箱与业务逻辑：根据业务经验手动设定分箱边界，处理特殊值

在特征工程中，并非所有分箱都能通过等距、等频或决策树等算法自动完成。许多场景下，业务经验与领域知识才是定义分箱边界的黄金标准。本章聚焦于如何根据业务逻辑手动设定分箱边界，并妥善处理缺失值、异常值等特殊数据点。

4.1 为什么需要自定义分箱？

自动分箱方法虽然高效，但往往忽略业务语义。例如，在信贷风控模型中，年龄特征的分箱若完全依赖算法，可能会将“18-25岁”与“26-30岁”合并，但业务上这两个群体的违约率差异显著。自定义分箱的核心优势在于：

• 业务可解释性：分箱边界对应业务规则（如“首贷用户”、“逾期30天以上”）。
• 特殊值隔离：将缺失值、-1、9999等特殊标记单独成箱，避免污染正常分布。
• 单调性约束：确保WOE或坏账率随分箱序号单调递增/递减，符合业务直觉。
• 稳定性：固定边界在跨时间、跨客群验证时不易漂移。

4.2 自定义分箱的典型流程

手动设定分箱边界通常遵循以下步骤，每一步都需要业务人员与数据科学家的协同确认：

1. 业务规则梳理：与业务方沟通，明确哪些数值区间具有特殊含义（如“信用分低于600为高风险”）。
2. 特殊值识别：检查数据中是否存在缺失值、占位符（如-1、0、9999）、异常极值，并决定其归属箱。
3. 边界定义：基于业务阈值、监管要求或历史经验，设定分箱的上下界。
4. 分箱验证：计算每个分箱的样本占比、坏账率/WOE，检查单调性与业务一致性。
5. 边界微调：若某箱样本过少（如<5%），考虑与相邻箱合并，或单独标记为“其他”。

4.3 业务场景示例：信贷年龄分箱

以下是一个典型的自定义分箱案例，针对信贷申请人的年龄特征，结合业务经验手动设定边界：

4.4 自定义分箱的代码实现

在Python中，可以使用pandas.cut()结合自定义边界列表实现手动分箱。以下代码演示了如何对年龄特征进行业务分箱，并处理特殊值：

import pandas as pd
import numpy as np

# 示例数据
data = {'age': [22, 30, 40, 50, 60, 70, np.nan, -1, 150]}
df = pd.DataFrame(data)

# 定义业务分箱边界（左闭右开）
bins = [18, 25, 35, 45, 55, 65, 100]  # 正常值边界
labels = ['18-25', '25-35', '35-45', '45-55', '55-65', '65-100']

# 先复制原始列，用于特殊值标记
df['age_bin'] = df['age'].copy()

# 处理缺失值：单独标记为 'missing'
df.loc[df['age'].isna(), 'age_bin'] = 'missing'

# 处理异常值：小于18或大于100
df.loc[(df['age'] < 18) | (df['age'] > 100), 'age_bin'] = '异常'

# 对正常值进行分箱
mask_normal = (df['age'] >= 18) & (df['age'] <= 100)
df.loc[mask_normal, 'age_bin'] = pd.cut(
    df.loc[mask_normal, 'age'],
    bins=bins,
    labels=labels,
    right=False  # 左闭右开
)

print(df[['age', 'age_bin']])

输出结果：

    age   age_bin
0  22.0     18-25
1  30.0     25-35
2  40.0     35-45
3  50.0     45-55
4  60.0     55-65
5  70.0    65-100
6   NaN   missing
7  -1.0       异常
8 150.0       异常

4.5 自定义分箱的WOE编码与业务验证

分箱完成后，需计算每个分箱的WOE值，验证其单调性与业务逻辑是否一致。以下是一个WOE计算示例：

# 假设已有标签列 'target'（0=好客户，1=坏客户）
# 计算每个分箱的坏样本占比与好样本占比
def calc_woe(df, feature, target):
    grouped = df.groupby(feature)[target].agg(['count', 'sum'])
    grouped.columns = ['total', 'bad']
    grouped['good'] = grouped['total'] - grouped['bad']
    
    total_bad = grouped['bad'].sum()
    total_good = grouped['good'].sum()
    
    grouped['bad_rate'] = grouped['bad'] / total_bad
    grouped['good_rate'] = grouped['good'] / total_good
    
    # 避免除零，加微小平滑项
    grouped['WOE'] = np.log((grouped['good_rate'] + 1e-6) / (grouped['bad_rate'] + 1e-6))
    return grouped

woe_result = calc_woe(df, 'age_bin', 'target')
print(woe_result[['total', 'bad', 'good', 'WOE']])

4.6 自定义分箱的业务逻辑流程图

下图展示了从原始特征到最终分箱的完整业务逻辑流程，突出特殊值处理与业务规则校验：

4.7 常见业务分箱场景与边界设定参考

以下表格汇总了不同业务场景下常见的自定义分箱边界设定经验，供实际项目参考：

4.8 自定义分箱的注意事项与避坑指南

• 避免过细分箱：每箱样本占比不宜低于5%，否则WOE估计不稳定。
• 特殊值箱的WOE解读：缺失值箱的WOE若接近0，说明缺失是随机的；若显著偏离0，则缺失本身具有信息量。
• 边界硬编码风险：业务规则可能随政策或市场变化，建议将分箱边界配置化，便于后续调整。
• 跨时间稳定性：自定义分箱边界应基于历史稳定区间，避免因短期波动导致分箱失效。
• 与模型交互：分箱后的特征在树模型中可能不如原始连续值有效，建议在逻辑回归等线性模型中优先使用。