📚 课程目录第4章等距分箱实战

4. 等距分箱实战：使用 Pandas 对连续特征进行等距分箱、计算每箱占比

等距分箱（Equal-Width Binning）是特征工程与稳定性监控中最基础的分箱策略之一。它将连续特征的取值范围均匀划分为 K 个等宽区间，每个区间内的样本数可能不同，但区间宽度完全一致。本节将使用 Pandas 完成从分箱到占比计算的全流程实战。

4.1 等距分箱的核心逻辑

等距分箱的数学定义非常简单：

区间宽度 = (最大值 - 最小值) / 分箱数 K
第 i 个箱的边界 = [min + i * width, min + (i+1) * width)

这种分箱方式的优点是计算高效、实现直观；缺点是当数据分布极不均匀时，某些箱可能包含极少样本甚至为空箱。

  适用场景： 评分卡分数、标准化后的指标、年龄、收入等分布相对均匀的连续变量。不适用于存在极端长尾或严重偏态的特征。

4.2 使用 Pandas 实现等距分箱

Pandas 提供了 cut() 函数，专门用于等距分箱。以下为完整实战代码：

import pandas as pd
import numpy as np

# 生成示例数据：模拟 1000 个客户的信用评分（300-850）
np.random.seed(42)
data = pd.DataFrame({
    'customer_id': range(1, 1001),
    'credit_score': np.random.normal(loc=650, scale=80, size=1000).clip(300, 850)
})

# 参数设置
K = 5  # 分箱数
min_val = data['credit_score'].min()
max_val = data['credit_score'].max()
bin_width = (max_val - min_val) / K

# 生成等距分箱边界
bins = [min_val + i * bin_width for i in range(K + 1)]
bins = [round(b, 1) for b in bins]  # 保留一位小数

# 使用 cut() 进行分箱
data['score_bin'] = pd.cut(
    data['credit_score'],
    bins=bins,
    include_lowest=True,
    right=True,
    labels=[f'Bin_{i+1}' for i in range(K)]
)

# 查看分箱结果
print("分箱边界:", bins)
print(data[['credit_score', 'score_bin']].head(10))

4.3 计算每箱样本数与占比

分箱完成后，使用 value_counts() 统计每箱样本数，并计算占比：

# 统计每箱样本数
bin_counts = data['score_bin'].value_counts().sort_index()

# 计算每箱占比
bin_ratios = bin_counts / len(data)

# 合并为 DataFrame
bin_stats = pd.DataFrame({
    '样本数': bin_counts,
    '占比(%)': (bin_ratios * 100).round(2)
})
bin_stats.index.name = '分箱'

print("\n等距分箱统计结果：")
print(bin_stats)

# 输出示例：
#         样本数  占比(%)
# 分箱
# Bin_1    112   11.20
# Bin_2    238   23.80
# Bin_3    310   31.00
# Bin_4    224   22.40
# Bin_5    116   11.60

注意： 使用 sort_index() 确保分箱按自然顺序排列，避免因标签顺序错乱导致后续 PSI 计算错误。

4.4 等距分箱结果可视化

下图展示了等距分箱的边界划分与样本分布关系：

4.5 等距分箱参数对比

参数	说明	推荐值
`bins`	分箱边界列表或分箱数量	5~20（根据样本量调整）
`include_lowest`	是否包含最小值所在区间	`True`
`right`	区间是否右闭（左开右闭）	`True`
`labels`	自定义分箱标签	建议使用 Bin_1 ~ Bin_K
`retbins`	是否返回分箱边界	调试时设为 `True`

4.6 实战避坑指南

空箱问题： 当数据分布极不均匀时，某些等距箱可能无样本。建议检查 value_counts() 结果，若出现空箱，考虑增加分箱数或改用分位数分箱。
边界精度： 浮点数边界可能导致样本落在区间外。使用 np.round() 或 Decimal 控制精度，确保边界覆盖所有数据。
标签顺序： labels 列表必须与分箱区间一一对应，且按升序排列。使用 sort_index() 避免标签错乱。
缺失值处理： cut() 默认会为 NaN 生成 NaN 分箱。建议先使用 dropna() 或单独处理缺失值。

重要提醒： 等距分箱的占比结果将直接用于 PSI 计算。务必确保训练集（预期分布）与测试集（实际分布）使用完全相同的分箱边界，否则 PSI 值将失去可比性。

4.7 完整函数封装

将上述流程封装为可复用的函数，便于后续 PSI 计算调用：

def equal_width_binning(data, feature, n_bins=5):
    """
    对连续特征进行等距分箱，返回分箱统计结果和分箱边界

    参数:
        data: DataFrame，包含目标特征
        feature: str，特征列名
        n_bins: int，分箱数量

    返回:
        bin_stats: DataFrame，每箱样本数、占比
        bins: list，分箱边界
    """
    # 计算等距边界
    min_val = data[feature].min()
    max_val = data[feature].max()
    bin_width = (max_val - min_val) / n_bins
    bins = [min_val + i * bin_width for i in range(n_bins + 1)]

    # 分箱
    labels = [f'Bin_{i+1}' for i in range(n_bins)]
    data['_bin'] = pd.cut(data[feature], bins=bins,
                          include_lowest=True, right=True, labels=labels)

    # 统计
    counts = data['_bin'].value_counts().sort_index()
    ratios = counts / len(data)
    bin_stats = pd.DataFrame({
        '样本数': counts,
        '占比(%)': (ratios * 100).round(2)
    })

    # 清理临时列
    data.drop(columns=['_bin'], inplace=True)

    return bin_stats, bins

# 使用示例
stats, bin_edges = equal_width_binning(data, 'credit_score', n_bins=5)
print(stats)
print("分箱边界:", [round(b, 1) for b in bin_edges])