4、特征类型与分布分析：连续型特征与离散型特征、特征分布形态（正态、偏态、长尾）、使用描述性统计与直方图进行初步探索

在催收模型的特征筛选中，理解每个特征的数据类型和分布形态是决定后续处理策略的基础。连续型与离散型特征需要不同的统计量描述，而分布形态（正态、偏态、长尾）直接影响特征是否需要变换、分箱或异常值截断。本节将系统讲解如何通过描述性统计与可视化手段完成这一关键步骤。

4.1 特征类型：连续型 vs 离散型

特征类型决定了可用的统计量、可视化方式以及后续建模时的输入形式。催收场景中常见的特征类型如下表所示：

4.2 特征分布形态：正态、偏态与长尾

分布形态决定了特征是否需要做变换或分箱。催收数据中，绝大多数特征呈现右偏态或长尾分布，例如欠款金额、逾期天数等。理解分布形态有助于选择正确的统计量和后续处理策略。

• 正态分布： 数据对称，均值≈中位数≈众数。催收中较少见，常见于经过标准化处理的评分或部分客户画像特征。
• 偏态分布： 数据不对称，分为左偏（负偏）和右偏（正偏）。催收中右偏极为常见，即大部分客户集中在低值区间，少数客户有极高值。
• 长尾分布： 偏态分布的极端形式，尾部拖得很长，存在极端异常值。例如逾期金额超过100万的客户虽然占比极低，但会严重拉高均值。

4.3 描述性统计初步探索

在绘制直方图之前，先用描述性统计量快速了解特征的基本面貌。以下是一组催收数据中“逾期天数”特征的描述性统计示例：

# Python 示例：计算连续型特征的描述性统计
import pandas as pd
import numpy as np

# 假设 df 包含催收数据，'overdue_days' 为逾期天数
stats = df['overdue_days'].describe(percentiles=[0.01, 0.05, 0.25, 0.5, 0.75, 0.95, 0.99])
print(stats)

# 额外计算偏度和峰度
skewness = df['overdue_days'].skew()
kurtosis = df['overdue_days'].kurtosis()
print(f"偏度系数: {skewness:.2f}")
print(f"峰度系数: {kurtosis:.2f}")

输出解读示例：

4.4 直方图初步探索

直方图是观察分布形态最直观的工具。通过调整分箱（bin）数量，可以揭示数据的集中区域、尾部厚度以及潜在的多峰结构。以下是对同一“逾期天数”特征绘制的直方图分析：

# Python 示例：绘制直方图
import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize=(10, 5))
sns.histplot(df['overdue_days'], bins=50, kde=True, color='#3498db')
plt.axvline(df['overdue_days'].mean(), color='#e74c3c', linestyle='--', label=f'均值: {df["overdue_days"].mean():.1f}')
plt.axvline(df['overdue_days'].median(), color='#2ecc71', linestyle='-', label=f'中位数: {df["overdue_days"].median():.1f}')
plt.xlabel('逾期天数')
plt.ylabel('频数')
plt.title('逾期天数分布直方图（含KDE曲线）')
plt.legend()
plt.show()

直方图观察要点：

• 集中趋势： 峰值出现在哪个区间？是否与中位数一致？
• 偏态方向： 右侧尾部是否明显长于左侧？均值是否远大于中位数？
• 多峰性： 是否存在两个或多个明显的峰值？可能暗示不同客群（如M1、M2、M3+）的混合。
• 异常值： 最右侧是否存在孤立的长条？是否与业务常识相符？

4.5 离散型特征的分布分析

离散型特征（如逾期期数、催收次数）的分布分析重点在于频数分布和类别平衡性。对于有序离散特征，还需关注其单调性趋势。

4.6 连续型与离散型特征的联合探索

在实际催收模型中，连续型特征常与离散型特征组合分析。例如，按“逾期期数”分组后，观察“欠款金额”的分布差异。这种联合探索有助于发现特征间的交互效应。

# Python 示例：按离散特征分组查看连续特征分布
import seaborn as sns
import matplotlib.pyplot as plt

plt.figure(figsize=(12, 5))
sns.boxplot(data=df, x='overdue_stage', y='amount_owed', 
            palette=['#3498db', '#2ecc71', '#f39c12', '#e74c3c'])
plt.xlabel('逾期期数')
plt.ylabel('欠款金额（元）')
plt.title('不同逾期期数下的欠款金额分布')
plt.show()

联合探索的输出解读：

• 若M1组的中位数金额显著低于M4+组，说明金额与逾期阶段正相关，该特征组合有强预测力。
• 若各组分布高度重叠，则说明该连续特征对区分不同逾期阶段贡献有限，可考虑剔除或做交互特征。

4.7 分布分析在特征筛选中的决策应用

完成分布分析后，需根据结果做出以下筛选决策：