2、变量分箱基础：分箱的定义、分箱的目的、分箱在评分卡模型中的应用
2.1 分箱的定义
分箱（Binning），又称离散化（Discretization），是将连续变量或取值过多的离散变量按照某种规则划分为若干个有限的区间（即“箱”）的过程。每个箱对应一个离散的类别或数值段，原始变量值被映射到所属的箱中。
例如，将年龄这一连续变量划分为 [18, 30)、[30, 45)、[45, 60)、[60, 80] 四个区间，每个区间就是一个“箱”。
核心要点：分箱的本质是数据压缩与泛化——用少数几个区间代表原始数据的分布模式，同时保留变量与目标变量之间的主要关系。
2.2 分箱的目的
分箱在数据预处理和特征工程中承担三个核心目的：
| 目的 | 说明 | 典型场景 |
|---|---|---|
| 离散化 | 将连续变量转换为离散变量，使模型能够处理非线性和非单调关系 | 年龄、收入、信用额度等连续特征 |
| 降低噪声 | 平滑数据中的随机波动和异常值，减少过拟合风险 | 高频交易数据、传感器读数 |
| 增强鲁棒性 | 使模型对数据中的微小变化不敏感，提升泛化能力 | 评分卡、风控模型中的变量稳定性 |
2.2.1 离散化
连续变量直接进入线性模型时，模型默认变量与目标之间是线性关系。分箱通过将变量分段，允许每个箱独立计算其与目标的关系（如坏账率），从而捕捉非线性模式。例如，年龄与违约率通常呈 U 型关系——年轻人和老年人违约率较高，中年人较低——分箱可以自然地表达这种形态。
2.2.2 降低噪声
原始数据中常包含随机波动或异常值。分箱将邻近值合并，用箱内的统计量（如均值、坏账率）代替原始值，从而平滑噪声。例如，某年龄点因样本量小导致违约率异常高，分箱后该点与相邻年龄合并，异常被稀释。
2.2.3 增强鲁棒性
模型对输入变量的微小变化不敏感，意味着当新数据与训练数据存在细微偏移时，模型输出仍保持稳定。分箱后的变量只关心样本落在哪个区间，而不关心区间内的精确值，因此对数据漂移具有天然的抗干扰能力。
实战提示：在评分卡建模中，分箱后的变量通常以 WOE（Weight of Evidence）编码进入逻辑回归模型。WOE 编码将每个箱映射为一个数值，既保留了分箱的鲁棒性，又为模型提供了线性可加性。
2.3 分箱在评分卡模型中的应用
评分卡模型（Scorecard）是金融风控领域最经典的信用评估工具，其核心流程如下：
- 变量筛选：从原始特征中选出与违约状态显著相关的变量。
- 变量分箱：对每个连续变量进行最优分箱，确保每个箱内的样本具有相似的违约率。
- WOE 编码：将分箱后的变量转换为 WOE 值，WOE 衡量每个箱中好样本与坏样本的分布差异。
- 逻辑回归建模：以 WOE 编码后的变量作为输入，拟合逻辑回归模型。
- 评分转换：将逻辑回归系数转换为整数分数，形成最终评分卡。
分箱在评分卡中扮演着承上启下的关键角色：
- 承上：将原始变量转化为适合逻辑回归的离散形式，同时保留变量与违约率的单调或 U 型关系。
- 启下：分箱质量直接影响 WOE 编码的区分能力和评分卡的稳定性。好的分箱能提升模型 AUC 和 KS，差的分箱则引入噪声或过拟合。
常见误区：分箱数并非越多越好。箱数过多会导致每个箱样本量不足，WOE 估计不稳定；箱数过少则丢失信息。经验规则：每个箱至少包含 5% 的样本，且坏样本数不少于 30 个。
2.4 分箱流程概览
下图展示了变量分箱在评分卡建模中的完整流程：
2.5 分箱效果对比
下表对比了分箱前后变量在评分卡模型中的表现差异：
| 维度 | 分箱前（连续变量） | 分箱后（离散变量） |
|---|---|---|
| 模型输入形式 | 原始数值 | WOE 编码值 |
| 非线性关系 | 需手动添加多项式或交互项 | 自动捕捉，每个箱独立计算 |
| 异常值影响 | 敏感，极端值可能扭曲系数 | 不敏感，异常值被合并到箱中 |
| 模型稳定性 | 对数据漂移敏感 | 鲁棒性强，区间边界可抵御微小偏移 |
| 可解释性 | 系数解释为“每增加一个单位” | 系数解释为“落在该区间相比基准的贡献” |
总结：分箱是评分卡建模中不可或缺的预处理步骤。它通过离散化、降噪和增强鲁棒性，将原始变量转化为适合逻辑回归的稳定输入，为后续的 WOE 编码和评分转换奠定基础。分箱质量直接决定了评分卡的区分能力、稳定性和可解释性。