1. 变量分箱概述
1.1 分箱的定义
分箱（Binning）是将连续变量或取值较多的离散变量，按照某种规则划分为若干个有限的区间（箱），每个区间用一个代表值（如均值、中位数、坏样本率）替代原始值的过程。在风控建模中，分箱是特征工程最核心的预处理步骤之一。
核心定义：分箱 = 将连续值域划分为 k 个离散区间，每个区间映射为一个离散标签或统计量。
1.2 分箱的三大目的
| 目的 | 说明 | 风控场景示例 |
|---|---|---|
| 离散化 | 将连续变量转化为有序分类变量，适配逻辑回归等线性模型对输入格式的要求 | 年龄 18-25、26-35、36-50、50+ 四个箱 |
| 降低噪声 | 平滑异常波动和极端值，减少过拟合风险 | 收入字段中 999999 异常值被归入最高箱 |
| 增强稳定性 | 消除细微数据波动对模型的影响，提升跨时间、跨客群的泛化能力 | 近 3 个月查询次数 0-2、3-5、6+ 三个稳定箱 |
1.3 分箱在评分卡/风控模型中的核心作用
在申请评分卡、行为评分卡、催收评分卡等风控模型中，分箱不是可选项，而是必经环节。其核心作用体现在以下五个方面：
- 满足线性模型假设：逻辑回归要求输入变量与 logit(odds) 呈线性关系，分箱后每个箱的 WOE 编码天然满足单调性约束。
- 处理缺失值与异常值：缺失值可单独成箱，异常值可合并到边界箱，避免模型对脏数据敏感。
- 量化变量预测力：通过计算每个箱的坏样本率、WOE、IV 值，直接评估变量区分度。
- 业务可解释性：分箱后的评分卡可以输出“年龄在 25-35 之间加 10 分”等直观规则，满足监管合规要求。
- 防止过拟合：粗分箱（如 4-6 箱）比原始连续值或细粒度分箱具有更强的正则化效果。
经验法则：评分卡建模中，每个变量通常分 3-6 箱；每箱至少包含 5% 的样本且坏样本数 ≥ 30，以保证统计显著性。
1.4 分箱流程总览
下图展示了从原始变量到分箱输出的完整流程，包含数据准备、分箱执行、后处理三个主要阶段：
1.5 分箱与 WOE 编码的关系
分箱完成后，每个箱通常需要计算 WOE（Weight of Evidence，证据权重）进行编码，作为逻辑回归模型的直接输入。WOE 的计算公式为：
WOE_i = ln( (坏样本占比_i) / (好样本占比_i) )
其中：
- 坏样本占比_i = 第 i 箱坏样本数 / 全部坏样本数
- 好样本占比_i = 第 i 箱好样本数 / 全部好样本数
重要前提：分箱后的 WOE 值必须与坏样本率呈单调关系（单调递增或单调递减），这是评分卡模型可解释性和稳定性的基石。若分箱后 WOE 出现“倒 U 型”或“波浪型”，需重新调整分箱边界。
1.6 分箱质量评估指标
| 指标 | 公式/定义 | 评估标准 |
|---|---|---|
| IV (Information Value) | Σ (坏样本占比_i - 好样本占比_i) × WOE_i | < 0.02 无预测力；0.02-0.1 弱；0.1-0.3 中；> 0.3 强 |
| 单调性 | WOE 随箱序号单调递增或递减 | 必须满足，否则重新分箱 |
| 箱覆盖率 | 每箱样本数 / 总样本数 | 每箱 ≥ 5%，避免空箱或极稀疏箱 |
| 坏样本集中度 | 最高坏样本率箱与最低坏样本率箱的比值 | 比值 ≥ 3 倍，区分度较好 |
1.7 常见分箱方法对比
| 方法 | 类型 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|---|
| 等距分箱 | 无监督 | 简单、计算快 | 易受异常值影响，箱内样本分布不均 | 初步探索、分布均匀的变量 |
| 等频分箱 | 无监督 | 每箱样本量均衡 | 可能将相近值切分到不同箱 | 样本量充足、需要均匀分箱时 |
| 卡方分箱 | 有监督 | 考虑目标变量，合并差异不显著的相邻箱 | 计算量较大，需设置卡方阈值 | 评分卡建模主流方法 |
| 决策树分箱 | 有监督 | 自动寻找最优切分点，可处理非线性 | 易过拟合，需剪枝控制 | 变量较多时的快速分箱 |
| 最优分箱 | 有监督 | 以 IV 最大化为目标，自动迭代合并 | 计算复杂度高 | 最终入模变量的精细分箱 |
实践建议：在风控评分卡项目中，推荐采用“等频初分（10-20 箱）+ 卡方/最优合并（4-6 箱）+ 人工单调性校验”的组合策略，兼顾效率与质量。