2. 等距分箱：原理、实现步骤、优缺点与Python代码

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均匀划分为 k 个等宽的区间，每个区间内的样本被赋予相同的类别标签。该方法不依赖目标变量，属于无监督分箱。

2.1 等距分箱原理

假设连续变量 x 的最小值为 min，最大值为 max，计划分为 k 个区间。则每个区间的宽度 w 为：

w = (max - min) / k

第 i 个区间的边界为：

[min + (i-1)*w, min + i*w),  i = 1, 2, ..., k

最后一个区间为闭区间 [min + (k-1)*w, max]。

2.2 实现步骤

1. 确定区间数 k：根据业务经验或探索性分析设定，常用值如 5、10、20。
2. 计算区间宽度 w：w = (max - min) / k。
3. 划分边界：从最小值开始，依次加上宽度 w，生成 k+1 个边界点。
4. 分配样本：将每个样本值落入的区间编号作为分箱结果。
5. 编码转换：通常将区间映射为整数标签（0, 1, …, k-1）或区间标签（如 “[0-10]”）。

2.3 优缺点分析

2.4 等距分箱流程示意图

2.5 Python 代码实现：使用 pandas.cut

pandas.cut 是 Python 中实现等距分箱的标准函数。以下示例展示完整流程：

import pandas as pd
import numpy as np

# 生成示例数据：100个年龄值，范围18~75
np.random.seed(42)
ages = np.random.randint(18, 76, size=100)

# 等距分箱：分为5个区间
k = 5
bins_labels = ['青年', '中青年', '中年', '中老年', '老年']

# 使用 cut 进行等距分箱
age_bins = pd.cut(ages, bins=k, labels=bins_labels, include_lowest=True)

# 查看分箱结果
df = pd.DataFrame({'年龄': ages, '年龄段': age_bins})
print(df.head(10))

# 查看各区间样本分布
print("\n各区间样本数：")
print(df['年龄段'].value_counts().sort_index())

输出示例：

   年龄  年龄段
0   56   中老年
1   69   老年
2   46   中年
3   32   中青年
4   60   中老年
5   25   中青年
6   37   中青年
7   27   中青年
8   54   中老年
9   22   中青年

各区间样本数：
青年      8
中青年    24
中年     22
中老年    24
老年     22
Name: 年龄段, dtype: int64

2.6 等距分箱 vs 等频分箱对比