4. PSI计算前置准备：数据分箱（等距分箱、等频分箱、最优分箱）的原理与选择策略

在计算群体稳定性指标（PSI）之前，必须对模型预测分数进行分箱（Binning）处理。分箱的质量直接决定PSI的敏感性与可靠性。不合理的分箱可能导致PSI掩盖真实分布漂移，或对微小波动过度反应。本节系统讲解三种主流分箱方法的原理、实现与选择策略。

4.1 为什么PSI计算必须依赖分箱？

PSI的本质是衡量两个分布（预期分布 vs. 实际分布）在各区间上的比例变化。原始分数是连续变量，直接计算每个分数点的概率密度差异既不现实也无统计意义。分箱将连续分数离散化为有限个区间，使得每个区间内的样本占比成为可比较的统计量。

4.2 三种分箱方法原理对比

4.3 等距分箱（Equal Width Binning）

将分数从最小值到最大值划分为k个等宽的区间。例如分数范围[300, 900]，分5箱，则每箱宽度为(900-300)/5=120，区间为[300,420)、[420,540)、[540,660)、[660,780)、[780,900]。

import numpy as np
import pandas as pd

def equal_width_binning(score_series, n_bins=10):
    """等距分箱：返回区间标签和边界"""
    bins = np.linspace(score_series.min(), score_series.max(), n_bins + 1)
    labels = [f'[{bins[i]:.0f}, {bins[i+1]:.0f})' for i in range(n_bins - 1)] + [f'[{bins[-2]:.0f}, {bins[-1]:.0f}]']
    binned = pd.cut(score_series, bins=bins, labels=labels, include_lowest=True)
    return binned, bins

4.4 等频分箱（Equal Frequency Binning / Quantile Binning）

基于分位数将数据划分为k个区间，每个区间包含相同数量的样本。这是PSI计算中最常用的分箱方式，因为它保证了每个区间都有足够的统计稳定性。

def equal_freq_binning(score_series, n_bins=10):
    """等频分箱：基于分位数，确保每箱样本量近似相等"""
    # 计算分位数边界
    quantiles = np.linspace(0, 1, n_bins + 1)
    bins = score_series.quantile(quantiles).values
    # 处理重复边界（当大量样本分数相同时）
    bins = np.unique(bins)
    if len(bins) < n_bins + 1:
        # 若唯一边界不足，自动降箱数
        n_actual = len(bins) - 1
        print(f'警告：由于分数重复，实际箱数降为 {n_actual}')
    labels = [f'Q{i+1}' for i in range(len(bins)-1)]
    binned = pd.cut(score_series, bins=bins, labels=labels, include_lowest=True)
    return binned, bins

4.5 最优分箱（Optimal Binning）

最优分箱利用目标变量（如好坏标签）来寻找使组间差异最大化的切分点。常用算法包括卡方分箱（ChiMerge）、决策树分箱、基于IV（信息价值）的分箱等。最优分箱在建模阶段用于特征离散化，但在PSI计算中需谨慎使用。

# 示例：使用决策树进行最优分箱（仅用于建模阶段）
from sklearn.tree import DecisionTreeClassifier

def optimal_binning_tree(score_series, target, max_bins=5):
    """基于决策树的最优分箱（监督式）"""
    tree = DecisionTreeClassifier(max_leaf_nodes=max_bins, min_samples_leaf=0.05)
    tree.fit(score_series.values.reshape(-1, 1), target)
    # 提取树的分割阈值
    thresholds = tree.tree_.threshold[tree.tree_.feature != -2]
    thresholds = np.sort(thresholds)
    bins = np.concatenate([[score_series.min()], thresholds, [score_series.max()]])
    bins = np.unique(bins)
    labels = [f'Bin{i+1}' for i in range(len(bins)-1)]
    binned = pd.cut(score_series, bins=bins, labels=labels, include_lowest=True)
    return binned, bins

4.6 分箱选择策略：决策流程

下图展示了在PSI计算场景下选择分箱方法的决策逻辑：

4.7 分箱数量选择与PSI敏感性

箱数（k）的选择直接影响PSI的敏感度：

• 箱数过少（k < 5）： 分布漂移被粗粒度区间掩盖，PSI值偏低，容易漏报风险。
• 箱数过多（k > 20）： 每个区间样本量减少，随机波动被放大，PSI值偏高，容易误报。
• 推荐范围： 信用评分模型PSI计算通常取 k = 10 ~ 15，在敏感性与稳定性之间取得平衡。

4.8 三种分箱方法在PSI场景下的综合对比

4.9 实战建议：PSI分箱的标准操作流程

1. 确定基准分布（预期分布）： 使用建模样本或验证样本的分数，采用等频分箱（k=10）确定初始边界。
2. 固定分箱边界： 将基准分布的分箱边界保存为固定值，后续所有监控期的PSI计算均使用同一组边界。
3. 检查边界稳定性： 若监控期某箱样本占比低于5%或样本量小于50，考虑合并相邻箱或增加基准样本量。
4. 记录分箱方案： 在模型监控文档中明确记录分箱方法、箱数、边界值，确保可复现。