1. 分箱基础概念
什么是变量分箱
变量分箱（Binning / Discretization）是将连续型数值变量或离散型变量中的过多取值，按照某种规则划分为有限个区间（箱）的过程。每个箱对应一个离散化的类别或数值段，原始变量值被映射到所属的箱中。
核心定义：分箱 = 将连续变量 → 离散区间，或将过多类别 → 有限分组。
例如，年龄变量原始值为 18~80 的整数，分箱后可划分为：[18, 25)、[25, 35)、[35, 45)、[45, 55)、[55, 80] 五个区间。
分箱的目的与意义
分箱在风控建模中并非简单的数据预处理步骤，而是直接影响模型稳定性、可解释性和业务落地的关键操作。其核心目的包括：
| 目的 | 说明 | 风控场景示例 |
|---|---|---|
| 降低噪声与过拟合 | 消除连续变量中的微小波动和异常值影响，使模型更关注整体趋势 | 收入变量中个别极高值不再单独成箱，避免模型过度拟合 |
| 增强可解释性 | 离散化后的变量每个箱都有明确的业务含义，便于风控人员理解 | "年龄 25~35 岁" 比 "年龄系数 0.032" 更直观 |
| 处理非线性关系 | 分箱后变量与目标之间可呈现单调或分段关系，无需复杂函数拟合 | 逾期率随年龄先降后升，分箱可自然捕捉 U 型趋势 |
| 提升模型稳定性 | 分箱后的变量对样本分布变化不敏感，跨时间跨客群表现更稳定 | 收入中位数偏移时，分箱边界不变，模型输出波动小 |
| 缺失值处理 | 缺失值可单独作为一个箱，避免插补带来的偏差 | 收入缺失的客户单独归入"未知"箱，单独评估风险 |
实践要点：分箱不是越细越好。箱数过多会失去泛化能力，箱数过少会丢失信息。风控建模中通常每个变量分 4~8 箱，且每箱样本量不低于总样本的 5%。
分箱在风控模型中的核心作用
在评分卡、逻辑回归等传统风控模型中，分箱是构建 WOE（Weight of Evidence）和 IV（Information Value）指标的前提。分箱质量直接决定模型区分能力和业务可落地性。
分箱的常见类型
根据分箱策略的不同，可分为无监督分箱和有监督分箱两大类：
| 类型 | 方法 | 特点 | 适用场景 |
|---|---|---|---|
| 无监督分箱 | 等距分箱 | 按数值范围等宽划分，简单但易受异常值影响 | 变量分布均匀时使用 |
| 等频分箱 | 每箱样本量相同，能适应偏态分布 | 样本量充足时常用 | |
| 聚类分箱 | 基于 K-Means 等聚类算法划分 | 变量分布有明显簇状时 | |
| 有监督分箱 | 卡方分箱 | 基于卡方检验合并相邻区间，保证箱内目标分布一致 | 风控建模中最常用 |
| 决策树分箱 | 利用决策树分裂点作为分箱边界 | 需要捕捉复杂交互时 |
常见误区：不要直接使用等距分箱处理长尾分布变量（如收入、贷款金额），会导致大部分样本集中在少数箱中，其余箱样本稀疏。风控实践中优先使用等频分箱或卡方分箱。
分箱的基本流程
- 数据探索：分析变量分布、缺失率、异常值情况
- 初始分箱：设置较细的初始箱数（通常 10~20 箱）
- 合并优化：基于业务规则或统计检验合并相邻箱
- 单调性检查：确保坏账率/逾期率随箱号单调变化
- 业务审核：与风控业务人员确认分箱边界合理性
- WOE 计算：对每个箱计算 WOE 值，用于模型输入
分箱黄金法则：好的分箱应同时满足——每箱样本量充足（≥5%）、坏账率单调、业务含义清晰、缺失值独立处理。