3. 等频分箱：原理、实现与优缺点

等频分箱（Equal Frequency Binning）是变量分箱中最基础、最常用的方法之一。其核心思想是：将连续变量划分为若干个区间，使得每个区间内包含大致相同数量的样本。与等距分箱不同，等频分箱关注的是样本量的均匀分布，而非数值范围的均匀划分。

3.1 等频分箱原理

等频分箱通过分位数（Quantile）来确定箱的边界。对于给定的分箱数 \( k \)，算法会计算 \( k-1 \) 个分位点，将数据划分为 \( k \) 个区间，每个区间包含约 \( \frac{N}{k} \) 个样本（\( N \) 为总样本数）。

3.2 实现步骤

等频分箱的实现步骤清晰且易于编程实现，主要包含以下 5 个步骤：

1. 排序： 将待分箱的连续变量按数值从小到大排序。
2. 计算分位点： 根据指定的分箱数 \( k \)，计算 \( k-1 \) 个分位点的位置：\( pos_i = \frac{i}{k} \times N \)，其中 \( i = 1, 2, ..., k-1 \)。
3. 确定边界： 根据分位点位置，从排序后的数据中取出对应的数值作为箱边界。
4. 划分区间： 使用这些边界将原始数据划分为 \( k \) 个区间（左闭右开或左闭右闭）。
5. 映射编码： 将每个样本的原始值替换为所属箱的标签（如箱序号或箱均值）。

3.3 Python 代码实现（pandas.qcut）

在 Python 中，pandas.qcut() 函数是等频分箱的首选工具。它基于分位数将数据划分为大小相近的箱，并支持多种输出格式。

import pandas as pd
import numpy as np

# 生成示例数据：1000个年龄值（18~80岁）
np.random.seed(42)
ages = np.random.randint(18, 81, size=1000)
df = pd.DataFrame({'age': ages})

# 等频分箱：分成5箱
df['age_bin'], bins = pd.qcut(
    df['age'], 
    q=5,                     # 分箱数
    labels=['箱1', '箱2', '箱3', '箱4', '箱5'],  # 箱标签
    retbins=True,            # 返回边界值
    duplicates='drop'        # 处理重复边界
)

print("分箱边界值：", bins)
print("\n各箱样本数量：")
print(df['age_bin'].value_counts().sort_index())

# 查看分箱结果
print("\n前10行数据：")
print(df.head(10))

输出示例：

分箱边界值： [18. 32. 42. 55. 65. 80.]

各箱样本数量：
箱1    200
箱2    200
箱3    200
箱4    200
箱5    200
Name: age_bin, dtype: int64

前10行数据：
   age age_bin
0   56     箱4
1   46     箱3
2   32     箱2
3   25     箱1
4   77     箱5
5   21     箱1
6   48     箱3
7   64     箱4
8   55     箱3
9   58     箱4

3.4 优缺点分析

3.5 等频分箱 vs 等距分箱

为了更清晰地理解等频分箱的特点，下面将其与等距分箱进行对比：

3.6 实战建议

• 分箱数选择： 对于 XGBoost 建模，建议分箱数在 4~8 之间。过少会丢失信息，过多会导致过拟合。
• 边界检查： 分箱后务必检查每箱的样本量，确保没有出现样本量过少的箱（如少于总样本的 5%）。
• 业务对齐： 等频分箱的边界可能不符合业务常识（如年龄分箱边界为 32.5 岁），此时可手动调整边界到整数。
• 与 WOE 编码配合： 等频分箱后通常结合 WOE（Weight of Evidence）编码，用于逻辑回归或评分卡模型。