2. 分箱类型概览：等距分箱、等频分箱、决策树分箱、卡方分箱、自定义分箱的原理与对比

分箱（Binning）是风控模型特征工程中最核心的步骤之一。它将连续变量或高基数离散变量划分为有限的区间（箱），从而降低数据噪声、增强模型稳定性，并为后续的WOE编码与逻辑回归提供线性输入。不同的分箱策略在边界确定、数据分布适应性、与目标变量的关联性上存在显著差异。

2.1 五种分箱方法原理速览

2.2 分箱方法对比：核心维度

以下从五个关键维度对五种分箱方法进行横向对比，帮助你在实际项目中快速选型。

2.3 分箱方法选择流程

在实际风控建模中，分箱方法的选择通常遵循以下决策路径：

1. 优先检查业务约束： 是否存在监管要求或业务常识规定的切分点？若有，直接使用自定义分箱。
2. 检查数据分布： 若变量分布均匀且无极端值，可尝试等距分箱作为基线；若分布偏态严重，使用等频分箱。
3. 引入目标变量： 若需要最大化区分度，使用决策树分箱或卡方分箱。决策树分箱适合快速探索，卡方分箱适合最终评分卡。
4. 验证单调性： 对分箱结果进行坏账率单调性检验，若不满足，考虑合并相邻箱或切换方法。
5. 稳定性回检： 在时间序列上验证各箱样本占比的波动，若波动过大，考虑更稳健的无监督方法。

2.4 分箱方法关系图谱

下图展示了五种分箱方法在“是否依赖目标变量”和“边界确定方式”两个维度上的分布关系，帮助你建立整体认知。

2.5 代码示例：快速实现五种分箱

以下Python代码展示了五种分箱方法的核心实现逻辑，使用pandas和scikit-learn库。

import pandas as pd
import numpy as np
from sklearn.tree import DecisionTreeClassifier

# 示例数据：年龄与坏账标签
data = pd.DataFrame({
    'age': [22, 25, 28, 30, 35, 38, 40, 45, 50, 55, 60, 65, 70],
    'bad':  [1, 0, 0, 0, 1, 0, 0, 1, 0, 1, 1, 0, 1]
})

# 1. 等距分箱：宽度 = (max-min)/k
k = 4
data['age_eqwidth'] = pd.cut(data['age'], bins=k, labels=False)

# 2. 等频分箱：每个箱样本数 ≈ n/k
data['age_eqfreq'] = pd.qcut(data['age'], q=k, labels=False, duplicates='drop')

# 3. 决策树分箱：用单变量决策树寻找分裂点
tree = DecisionTreeClassifier(max_leaf_nodes=k, min_samples_leaf=0.1)
tree.fit(data[['age']], data['bad'])
thresholds = tree.tree_.threshold[tree.tree_.feature != -2]
thresholds = sorted(thresholds[thresholds != -2])
bins = [-np.inf] + list(thresholds) + [np.inf]
data['age_tree'] = pd.cut(data['age'], bins=bins, labels=False)

# 4. 卡方分箱（简化版：合并卡方值最小的相邻箱）
# 实际可使用 scipy.stats.chi2_contingency 逐对计算
# 此处展示合并逻辑框架
def chi_merge(data, feature, target, max_groups=4):
    # 初始：每个唯一值一个箱
    groups = sorted(data[feature].unique())
    while len(groups) > max_groups:
        min_chi = np.inf
        merge_idx = 0
        for i in range(len(groups)-1):
            # 计算相邻两箱的卡方统计量（简化示意）
            # 实际需构建2x2列联表
            chi2 = np.random.uniform(0, 1)  # 占位
            if chi2 < min_chi:
                min_chi = chi2
                merge_idx = i
        # 合并相邻箱
        groups[merge_idx] = (groups[merge_idx], groups[merge_idx+1])
        groups.pop(merge_idx+1)
    return groups

# 5. 自定义分箱：业务规则
custom_bins = [0, 25, 35, 50, 100]
data['age_custom'] = pd.cut(data['age'], bins=custom_bins, labels=False)

print("分箱结果预览：\n", data.head(10))

2.6 分箱效果评估指标

无论选择哪种分箱方法，都需要通过量化指标评估分箱质量。以下是风控建模中最常用的三个评估指标：