2. 等距分箱：原理、实现与适用场景

等距分箱（Equal-Width Binning）是最直观的连续变量离散化方法。它将变量的取值范围划分为 宽度完全相等 的区间，每个区间对应一个分箱。该方法不依赖数据分布，计算简单，是分箱入门的首选技术。

2.1 等距分箱原理

等距分箱的数学定义简单，但实际应用中有两个关键细节：

• 边界处理：通常采用左闭右开区间，最后一个箱为闭区间，确保最大值被包含。
• 异常值敏感：若数据存在极端值，箱宽会被拉大，导致大部分数据集中在少数几个箱中。

下图展示了等距分箱的完整流程与数据结构变化：

2.2 Python 实现等距分箱

以下代码展示了三种等距分箱实现方式：手动计算、pandas cut 和 sklearn KBinsDiscretizer。

import numpy as np
import pandas as pd
from sklearn.preprocessing import KBinsDiscretizer

# 生成示例数据
np.random.seed(42)
data = np.random.normal(50, 15, 200).clip(10, 100)
df = pd.DataFrame({'age': data})

# ---------- 方法1：手动等距分箱 ----------
def equal_width_binning_manual(x, k=5):
    min_val, max_val = x.min(), x.max()
    width = (max_val - min_val) / k
    bins = [min_val + i * width for i in range(k + 1)]
    labels = [f'箱{i+1}' for i in range(k)]
    return pd.cut(x, bins=bins, labels=labels, include_lowest=True)

df['age_bin_manual'] = equal_width_binning_manual(df['age'], k=5)

# ---------- 方法2：pandas cut ----------
df['age_bin_cut'] = pd.cut(df['age'], bins=5, labels=[f'箱{i+1}' for i in range(5)])

# ---------- 方法3：sklearn KBinsDiscretizer ----------
kbd = KBinsDiscretizer(n_bins=5, encode='ordinal', strategy='uniform')
df['age_bin_sklearn'] = kbd.fit_transform(df[['age']]).astype(int).flatten() + 1
df['age_bin_sklearn'] = '箱' + df['age_bin_sklearn'].astype(str)

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

2.3 等距分箱的优缺点

2.4 适用场景与避坑指南

等距分箱最适合以下场景：

• 数据分布均匀：变量在取值范围内近似均匀分布，如均匀随机数、标准化后的评分。
• 业务规则明确：需要固定宽度区间进行对比，如收入按 10 万元等距分组。
• 快速原型验证：在探索性分析阶段快速离散化，后续再优化分箱策略。

下图对比了等距分箱在均匀分布与偏态分布下的效果差异：

2.5 等距分箱的边界选择策略

实际应用中，分箱数 \(k\) 的选择直接影响分箱质量。以下为常用参考规则：