4. 等频分箱详解：原理、适用场景、优缺点、Python实现（使用pandas qcut）

4.1 等频分箱原理

等频分箱（Equal Frequency Binning）是一种基于数据分布的分箱方法，其核心思想是：将连续变量划分为若干个区间，使得每个区间内包含的样本数量尽可能相等。与等距分箱不同，等频分箱不关心数值区间的宽度，而是关注每个箱子中样本的分布密度。

等频分箱的数学定义：给定一个包含 N 个样本的连续变量 X，将其划分为 k 个箱子，每个箱子包含大约 N/k 个样本。分箱的边界点由样本排序后的分位数决定。

4.2 适用场景

等频分箱在风控建模中有其特定的适用场景，并非万能方案。以下表格总结了其主要适用与不适用的情况：

4.3 优缺点分析

4.4 Python 实现（使用 pandas qcut）

在 Python 中，pandas.qcut() 是实现等频分箱的核心函数。以下展示完整的实现流程：

4.4.1 基础用法

import pandas as pd
import numpy as np

# 生成示例数据（模拟风控场景中的收入变量）
np.random.seed(42)
data = {
    'income': np.random.exponential(scale=50, size=1000).round(0),
    'target': np.random.binomial(1, 0.3, 1000)  # 0=好客户, 1=坏客户
}
df = pd.DataFrame(data)

# 等频分箱：将收入分为5个箱子
df['income_bin'], bins = pd.qcut(
    df['income'], 
    q=5,                    # 箱子数量
    labels=['Q1', 'Q2', 'Q3', 'Q4', 'Q5'],  # 箱子标签
    retbins=True,           # 返回边界值
    duplicates='drop'       # 处理重复边界
)

print("分箱边界值：", bins)
print("\n各箱子样本数：")
print(df['income_bin'].value_counts().sort_index())

4.4.2 输出结果解读

分箱边界值： [  1.  18.  35.  58.  97. 497.]

各箱子样本数：
Q1    200
Q2    200
Q3    200
Q4    200
Q5    200
Name: income_bin, dtype: int64

4.4.3 完整分箱与评估流程

def equal_frequency_binning(df, feature, target, n_bins=5):
    """
    等频分箱完整流程，包含WOE/IV计算
    
    Parameters:
    -----------
    df : DataFrame
        包含特征和目标变量的数据
    feature : str
        特征名称
    target : str
        目标变量名称（0/1）
    n_bins : int
        分箱数量
    
    Returns:
    --------
    bin_stats : DataFrame
        包含每个箱子的统计信息
    """
    # 1. 等频分箱
    df['bin'], bins = pd.qcut(
        df[feature], 
        q=n_bins, 
        labels=False, 
        retbins=True,
        duplicates='drop'
    )
    
    # 2. 计算每个箱子的统计量
    bin_stats = df.groupby('bin').agg(
        total=('target', 'count'),
        bad=('target', 'sum')
    ).reset_index()
    
    bin_stats['good'] = bin_stats['total'] - bin_stats['bad']
    bin_stats['bad_rate'] = bin_stats['bad'] / bin_stats['total']
    
    # 3. 计算WOE和IV
    total_bad = bin_stats['bad'].sum()
    total_good = bin_stats['good'].sum()
    
    bin_stats['bad_dist'] = bin_stats['bad'] / total_bad
    bin_stats['good_dist'] = bin_stats['good'] / total_good
    
    # 避免除零
    bin_stats['WOE'] = np.log(
        (bin_stats['bad_dist'] + 1e-10) / 
        (bin_stats['good_dist'] + 1e-10)
    )
    bin_stats['IV'] = (bin_stats['bad_dist'] - bin_stats['good_dist']) * bin_stats['WOE']
    
    # 4. 添加边界信息
    bin_stats['bin_range'] = [
        f"[{bins[i]:.1f}, {bins[i+1]:.1f})" 
        for i in range(len(bins)-1)
    ]
    
    return bin_stats

# 执行分箱
result = equal_frequency_binning(df, 'income', 'target', n_bins=5)
print(result[['bin_range', 'total', 'bad', 'good', 'bad_rate', 'WOE', 'IV']])

4.4.4 输出示例

      bin_range  total  bad  good  bad_rate       WOE        IV
0   [1.0, 18.0)    200   68   132    0.340  0.131889  0.002641
1  [18.0, 35.0)    200   62   138    0.310  0.002702  0.000002
2  [35.0, 58.0)    200   58   142    0.290 -0.095310  0.001380
3  [58.0, 97.0)    200   55   145    0.275 -0.169899  0.004386
4 [97.0, 497.0)    200   57   143    0.285 -0.120144  0.002191

4.5 常见问题与避坑指南