4. 单变量特征分析：描述性统计、分布分析、偏度与峰度对风险的影响

在风险归因模型的特征工程阶段，单变量分析是理解每个特征内在属性的第一步。通过描述性统计、分布形态以及高阶矩（偏度与峰度）的剖析，可以揭示特征对风险行为的潜在解释力，并为后续的数据切分与模型训练提供关键依据。

4.1 描述性统计：快速掌握特征全貌

描述性统计通过集中趋势、离散程度和分布位置三个维度，为每个特征建立量化画像。对于风险特征，以下指标尤为关键：

4.2 分布分析：识别数据生成机制

分布分析通过可视化与统计检验，判断特征是否符合正态分布、对数正态分布或幂律分布。不同分布形态对应不同的风险行为模式：

• 正态分布：常见于标准化后的财务比率（如收入负债比），风险表现相对均匀。
• 右偏分布（长尾在右）：如贷款金额、交易次数，少量样本携带极高风险，需做对数变换或分箱。
• 双峰分布：可能隐含两个风险子群体（如优质客户与高风险客户），是特征切分的重要线索。

4.3 偏度与峰度：高阶矩的风险信号

偏度（Skewness）和峰度（Kurtosis）是描述分布形态的高阶统计量，在风险归因中具有独特的预警价值。

4.3.1 偏度：风险偏移的方向

偏度衡量分布不对称的程度与方向：

• 偏度 = 0：对称分布，风险在均值两侧均衡分布。
• 偏度 > 0（右偏）：右侧尾部更长，存在少量极高风险样本。常见于“损失金额”、“逾期天数”等特征。
• 偏度 < 0（左偏）：左侧尾部更长，存在少量极低风险样本。常见于“信用评分”等高分聚集的特征。

4.3.2 峰度：极端事件的聚集程度

峰度衡量分布尾部的厚度与峰部的尖锐程度：

4.4 偏度与峰度的联合分析框架

将偏度与峰度组合使用，可以形成更完整的风险特征诊断矩阵：

4.5 代码实现：单变量特征分析流水线

以下 Python 代码展示了如何对风险特征进行完整的单变量分析，并输出偏度与峰度的风险诊断结果：

import pandas as pd
import numpy as np
from scipy.stats import skew, kurtosis

def univariate_risk_analysis(df, feature_list):
    """
    对风险特征进行单变量分析，输出描述性统计与偏度峰度诊断。
    
    Parameters:
    -----------
    df : pd.DataFrame
        包含特征的数据框
    feature_list : list
        待分析的特征名称列表
    
    Returns:
    --------
    pd.DataFrame : 包含统计指标的分析结果表
    """
    results = []
    for feat in feature_list:
        col = df[feat].dropna()
        stats = {
            '特征名称': feat,
            '样本量': len(col),
            '均值': round(col.mean(), 4),
            '中位数': round(col.median(), 4),
            '标准差': round(col.std(), 4),
            '偏度': round(skew(col), 4),
            '峰度(超额)': round(kurtosis(col, fisher=True), 4),
            '最小值': round(col.min(), 4),
            '最大值': round(col.max(), 4),
            'Q1': round(col.quantile(0.25), 4),
            'Q3': round(col.quantile(0.75), 4)
        }
        
        # 风险诊断逻辑
        abs_skew = abs(stats['偏度'])
        excess_kurt = stats['峰度(超额)']
        
        if abs_skew > 1.5 and excess_kurt > 3:
            stats['风险等级'] = '高'
            stats['处理建议'] = '需对数变换 + 极端值截断'
        elif abs_skew > 1.0 or excess_kurt > 2:
            stats['风险等级'] = '中'
            stats['处理建议'] = '建议分箱或非线性变换'
        else:
            stats['风险等级'] = '低'
            stats['处理建议'] = '可直接使用或轻度标准化'
        
        results.append(stats)
    
    result_df = pd.DataFrame(results)
    return result_df

# 使用示例（假设已有特征数据）
# risk_stats = univariate_risk_analysis(data, ['loan_amount', 'age', 'income'])
# print(risk_stats[['特征名称', '偏度', '峰度(超额)', '风险等级', '处理建议']])

4.6 单变量分析在数据切分中的前置作用

完成单变量特征分析后，分析结果将直接影响数据切分策略：

• 偏度高的特征：在训练集/测试集切分时，需使用分层抽样（Stratified Split），确保尾部风险样本在切分后比例一致。
• 峰度高的特征：建议在切分前先做极端值处理，避免极端样本全部落入测试集导致评估失真。
• 双峰分布的特征：可考虑按峰进行预切分，构建子模型分别训练，提升整体归因精度。