等距分箱：原理与实现步骤

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划分为 宽度完全相等 的 k 个区间，每个区间内的样本被赋予相同的类别标签或数值代表。该方法不依赖数据分布形态，仅基于数值的极差进行均匀切割。

核心原理

设变量 x 的最小值为 min，最大值为 max，计划分为 k 个箱，则每个箱的宽度 w 为：

w = (max - min) / k

第 i 个箱的区间范围为：

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

最后一个箱通常包含右端点 max，形成闭区间。

实现步骤

1. 计算极差：确定变量的最小值 min 和最大值 max。
2. 设定箱数：根据业务需求或经验规则（如 Sturges 规则、平方根规则）确定 k 值。
3. 计算箱宽：w = (max - min) / k。
4. 划分边界：生成 k+1 个分割点：min, min+w, min+2w, ..., max。
5. 分配样本：将每个样本值映射到对应的箱区间，通常使用 floor((x - min) / w) 计算箱索引。
6. 编码输出：将箱索引作为新的离散特征，或使用箱均值/中位数进行平滑。

import pandas as pd
import numpy as np

def equal_width_bin(series, k):
    min_val = series.min()
    max_val = series.max()
    width = (max_val - min_val) / k
    bins = [min_val + i * width for i in range(k + 1)]
    # 使用 pd.cut 进行等距分箱
    labels = [f'Bin_{i+1}' for i in range(k)]
    binned = pd.cut(series, bins=bins, labels=labels, include_lowest=True)
    return binned, bins

适用场景：均匀分布数据

等距分箱在以下场景中表现最佳：

• 数据近似均匀分布：当变量值在 [min, max] 区间内大致均匀分布时，每个箱内的样本数量接近，分箱效果稳定。
• 线性关系建模：若目标变量与原始变量呈近似线性关系，等距分箱能保留这种线性趋势。
• 快速原型验证：在探索性数据分析（EDA）阶段，等距分箱计算简单，适合快速生成离散特征进行初步建模。
• 标准化评分卡：在信用评分等场景中，等距分箱便于解释，每个箱的分数贡献与区间宽度成正比。

优缺点分析

等距分箱 vs 等频分箱

等距分箱流程示意图

异常值影响示例

假设某变量正常取值范围为 [0, 100]，分为 5 箱，正常箱宽为 20。若出现一个异常值 1000：

• 新箱宽 = (1000 - 0) / 5 = 200
• 箱区间变为：[0,200), [200,400), [400,600), [600,800), [800,1000]
• 正常数据 0~100 全部落入第 1 箱，其余 4 箱几乎为空
• 分箱完全失去区分能力