3. PSI 计算前置准备：数据分箱 (Binning) 的概念

在计算群体稳定性指标 (PSI) 之前，必须对连续型特征或离散值过多的特征进行分箱 (Binning) 处理。分箱的本质是将原始数据划分为若干个离散的区间（桶），然后用每个区间内的样本占比来刻画分布。PSI 正是通过比较这些区间占比的变化来衡量分布偏移的。

3.1 为什么需要分箱？

分箱是 PSI 计算的核心前置步骤，主要原因如下：

• 消除噪声与过拟合：原始连续值可能包含大量细微波动，直接计算概率密度容易受噪声干扰。分箱后，每个区间的统计量更稳健。
• 统一分布比较粒度：PSI 要求两个分布（如训练集 vs 线上集）在相同的区间划分下比较。分箱提供了标准化的“桶”结构。
• 适应业务可解释性：分箱后的区间（如“年龄 20-30 岁”）比原始数值更符合业务人员的理解习惯。

3.2 等距分箱 (Equal Width Binning)

等距分箱将特征的值域范围均匀划分为 k 个等宽的区间。每个区间的宽度 = (最大值 - 最小值) / k。

• 优点：实现简单、计算快速；区间边界直观，便于业务解释。
• 缺点：对数据分布敏感。如果数据集中在少数区间，其他区间可能样本极少甚至为空，导致 PSI 计算不稳定。
• 适用场景：数据分布相对均匀，或特征值域范围已知且稳定的场景。

3.3 等频分箱 (Equal Frequency Binning)

等频分箱将数据按升序排列后，划分为 k 个区间，使得每个区间包含大致相同数量的样本（约总样本数 / k）。

• 优点：每个区间都有足够的样本量，统计稳定性高；能自动适应数据的密度分布，在数据密集处划分更细。
• 缺点：区间边界可能不是整数或业务含义不直观；当存在大量重复值时，难以严格保证等频。
• 适用场景：长尾分布或偏态分布的特征，以及需要保证每个区间样本量充足的风控模型监控。

3.4 等距分箱 vs 等频分箱：核心对比

3.5 分箱流程与 PSI 的关系

下图展示了从原始特征到 PSI 计算的完整分箱流程，以及等距与等频两种策略在分布比较中的差异。

3.6 代码示例：等距分箱与等频分箱实现

以下 Python 代码演示了使用 Pandas 和 NumPy 对同一组数据进行等距与等频分箱，并观察区间样本分布差异。

import pandas as pd
import numpy as np

# 生成示例数据：偏态分布（大部分集中在左侧）
np.random.seed(42)
data = np.concatenate([
    np.random.normal(20, 5, 800),   # 主体集中在 20 附近
    np.random.normal(50, 10, 200)   # 右侧长尾
])
data = np.clip(data, 0, 100).astype(int)
df = pd.DataFrame({'feature': data})

# 等距分箱：将 0-100 均匀分为 5 箱
df['equal_width_bin'] = pd.cut(df['feature'], bins=5, labels=['A','B','C','D','E'])
print("等距分箱各区间样本数：")
print(df['equal_width_bin'].value_counts().sort_index())

# 等频分箱：使用分位数分为 5 箱
df['equal_freq_bin'] = pd.qcut(df['feature'], q=5, labels=['a','b','c','d','e'])
print("\n等频分箱各区间样本数：")
print(df['equal_freq_bin'].value_counts().sort_index())

3.7 分箱数量选择指南

分箱数量 k 的选择直接影响 PSI 的敏感度和稳定性。下表总结了不同场景下的推荐值：