1. 变量分箱概述
1.1 变量分箱的定义
变量分箱（Binning / Discretization）是将连续型变量或取值过多的离散型变量，按照某种规则划分为若干个有限的区间（即“箱”），并将原始数值映射为对应的箱编号或箱标签的过程。分箱是特征工程中一种经典的非线性变换方法，在信用评分、风控建模等领域被广泛使用。
核心思想：将连续值分段离散化，用区间代替精确数值，从而降低数据噪声、增强模型鲁棒性。
1.2 变量分箱的目的
分箱并非简单的数据压缩，而是服务于建模全流程的三大核心目标：
| 目的 | 说明 | 典型场景 |
|---|---|---|
| 处理异常值与噪声 | 将极端值归入首尾箱，避免异常点对模型参数产生过度影响；同时平滑数据中的随机波动。 | 收入字段中的超高值、年龄字段中的录入错误 |
| 提升模型稳定性 | 分箱后的变量对样本分布变化不敏感，跨时间、跨客群的迁移能力更强，减少过拟合风险。 | 信贷模型跨年度验证、跨渠道评分卡迁移 |
| 增强可解释性 | 将连续数值转化为业务可理解的区间标签（如“高收入”“中等收入”），便于业务人员解读模型逻辑。 | 信用评分卡中的年龄分箱、负债率分箱 |
经验法则：在风控建模中，分箱后的变量通常能带来 3%–8% 的 KS 或 AUC 提升，同时使模型更易于通过监管审计。
1.3 分箱的常见应用场景
变量分箱在金融风控、信用评分、医疗诊断、市场营销等领域均有广泛应用。以下重点介绍两个最典型的场景：
- 信用评分卡（Scorecard）：评分卡模型要求每个变量以离散分箱形式进入逻辑回归，每个箱对应一个权重（WOE 值），最终累加得到总分。分箱质量直接影响评分卡的区分能力和稳定性。
- 风控模型（Risk Model）：在反欺诈、申请评分、行为评分等模型中，分箱可有效处理长尾分布变量（如交易金额、借款次数），并帮助识别非线性风险趋势（如 U 型风险曲线）。
下表对比了分箱在两类场景中的侧重点差异：
| 应用场景 | 常用分箱方法 | 关键指标 | 输出形式 |
|---|---|---|---|
| 信用评分卡 | 等距分箱、卡方分箱、决策树分箱 | WOE、IV、单调性 | WOE 编码 + 分数映射 |
| 风控模型 | 等频分箱、最优分箱、聚类分箱 | 坏账率、KS、PSI | 箱编号 + 哑变量 |
1.4 变量分箱的完整流程
一个标准的分箱流程通常包含以下步骤，每一步都直接影响最终建模效果：
- 数据探索与清洗：检查缺失率、异常值分布、变量取值范围。
- 初步分箱：使用等频、等距或决策树方法生成初始箱边界。
- 箱合并与调整：基于业务逻辑或统计检验（卡方检验、IV 变化）合并相邻箱，确保每箱有足够样本量。
- 单调性检验：检查坏账率或目标均值是否随箱号单调递增/递减，若不满足则调整箱边界。
- 编码转换：将分箱结果转换为 WOE 值或哑变量，供模型训练使用。
1.5 分箱的核心原则
在实际建模中，优秀的分箱方案需要同时满足以下原则：
- 每箱至少包含 5% 的样本：避免箱内样本过少导致统计不稳定。
- 箱数控制在 5–10 箱：过少会丢失信息，过多则失去分箱意义。
- 坏账率单调：在信用评分卡中，箱号与坏账率应呈单调关系，便于业务解释。
- 箱边界具有业务含义：尽量使用整数、整十数等易于记忆的边界值。
常见陷阱：不要为了追求高 IV 值而过度细分箱，这会导致模型过拟合且稳定性下降。分箱应以业务可解释为首要目标，统计指标为辅助参考。
上图直观展示了分箱前后的差异：左侧连续值散点图难以直接看出规律，右侧分箱后的柱状图清晰呈现了年龄与坏账率之间的 U 型关系，便于业务人员理解和制定风控策略。