3. 等距分箱详解：原理、适用场景、优缺点、Python实现（使用pandas cut）

3.1 等距分箱原理

等距分箱（Equal-Width Binning）是最直观的分箱方法之一。其核心思想是将连续变量的取值范围划分为 宽度完全相等 的若干个区间，每个区间称为一个“箱”。

假设变量 x 的最小值为 min，最大值为 max，需要分成 k 个箱，则每个箱的宽度 w 计算公式为：

w = (max - min) / k

分箱边界点依次为：min, min + w, min + 2w, …, max。每个数据点根据其数值落入对应的区间。

3.2 适用场景

等距分箱并非万能，它在以下场景中表现尤为出色：

• 数据分布均匀： 当变量在取值范围内近似均匀分布时，等距分箱能保证每个箱都有足够的样本量。
• 业务含义明确： 某些指标天然具有等距的业务解释，如年龄（0-10, 10-20, …）、收入区间（0-10k, 10k-20k, …）。
• 快速原型验证： 在风控模型开发的早期阶段，需要快速评估变量与目标变量的关系，等距分箱实现简单、计算高效。
• 与其他模型对比基准： 作为分箱效果的“基线”方法，用于对比更复杂的分箱策略（如等频分箱、决策树分箱）的优劣。

3.3 优缺点分析

3.4 Python 实现：使用 pandas cut

在 Python 中，pandas.cut() 函数是等距分箱的标准工具。以下代码演示了完整的实现流程：

import pandas as pd
import numpy as np

# 1. 生成示例数据（模拟风控评分卡中的年龄变量）
np.random.seed(42)
data = {
    'age': np.random.randint(18, 70, size=1000),
    'target': np.random.choice([0, 1], size=1000, p=[0.8, 0.2])
}
df = pd.DataFrame(data)

# 2. 使用 cut 进行等距分箱（分为 5 箱）
df['age_bin'] = pd.cut(df['age'], bins=5, right=False)

# 3. 查看分箱结果
print("分箱边界与样本数：")
print(df['age_bin'].value_counts().sort_index())

# 4. 计算每个箱的坏账率（用于风控评估）
bin_stats = df.groupby('age_bin', observed=False)['target'].agg(
    total='count',
    bad='sum'
)
bin_stats['bad_rate'] = bin_stats['bad'] / bin_stats['total']
print("\n各箱统计：")
print(bin_stats)

# 5. 自定义分箱边界（更精细控制）
custom_bins = [18, 25, 35, 45, 55, 70]
df['age_bin_custom'] = pd.cut(df['age'], bins=custom_bins, right=False)
print("\n自定义边界分箱结果：")
print(df['age_bin_custom'].value_counts().sort_index())

3.5 等距分箱在风控中的实践要点

在风控模型开发中，使用等距分箱时需关注以下要点：

1. 箱数选择： 通常建议 5-10 箱。箱数太少会丢失信息，箱数太多会导致统计不稳定。可使用“手肘法”观察箱数与 IV 值（信息量）的关系。
2. 异常值处理： 分箱前必须处理异常值。推荐使用 1% 和 99% 分位数进行截尾，或使用领域知识设定合理上下界。
3. 空箱处理： 如果某个箱内样本数为 0，需要合并相邻箱或调整箱数。空箱会导致 WOE 计算分母为 0。
4. 单调性检查： 分箱后应检查坏账率（或目标变量均值）是否呈现单调趋势。若出现剧烈波动，说明等距分箱可能不适合该变量。

3.6 等距 vs 等频：快速对比