3. PSI 计算前置准备：数据分箱

在计算群体稳定性指标（PSI）之前，必须对模型评分或预测概率进行分箱（Binning）。分箱的质量直接决定了 PSI 的敏感性与可靠性。本章将系统讲解三种主流分箱方法的原理、选择策略，以及分箱数量对 PSI 计算结果的影响。

3.1 为什么 PSI 计算必须分箱？

PSI 的本质是比较两个分布（预期分布 vs. 实际分布）在每个区间上的占比变化。如果不分箱，直接比较每个分数点的占比，会因样本稀疏导致剧烈波动，无法反映真实的分布偏移。分箱的作用包括：

  • 平滑噪声：聚合样本，消除个别异常点的影响。
  • 捕捉偏移：将连续分数离散化，使分布变化可量化。
  • 业务可解释：每个箱对应一个风险等级（如“优质”“标准”“高风险”），便于业务解读。
核心原则：分箱应保证每个箱内样本量充足（通常 ≥ 5% 总样本），且箱内风险同质、箱间风险异质。

3.2 三种主流分箱方法

分箱方法 原理 适用场景 优点 缺点
等频分箱 每个箱包含相同数量的样本 样本分布均匀、无极端值 箱内样本量均衡，PSI 计算稳定 可能将不同风险等级的样本混入同一箱
等距分箱 每个箱的分数区间宽度相同 分数范围已知、业务有固定阈值 区间直观，便于业务沟通 样本分布不均时，部分箱可能过空或过挤
最优分箱 基于目标变量（如好坏标签）自动寻找最佳切分点 建模阶段、需要最大化区分能力 风险区分度最高，箱内同质性强 计算复杂，可能过拟合，需验证集

3.3 分箱方法选择策略

选择分箱方法时，需根据 PSI 监控的阶段和业务目标综合判断：

  1. 模型上线初期（基准期）：优先使用 等频分箱，确保每个箱有足够样本计算基准占比。
  2. 长期监控期：若分数分布发生漂移，等距分箱能更直观反映区间偏移；若漂移集中在高分或低分区域，可切换为最优分箱。
  3. 业务规则驱动：当监管或业务有固定阈值（如 600 分以下为拒绝）时，必须使用等距分箱或自定义分箱。
  4. 模型迭代对比：最优分箱适合在建模时确定风险分段，但用于 PSI 监控时需固定分箱边界，避免因分箱变化导致 PSI 失真。
实战建议：在风控场景中，推荐采用“等频为主、等距为辅、最优验证”的组合策略。先用等频分箱建立基准 PSI，再用等距分箱做敏感性分析，最后用最优分箱验证风险区分度是否下降。

3.4 分箱数量对 PSI 的影响

分箱数量（通常记为 k）是 PSI 计算中最敏感的参数之一。下表总结了不同 k 值对 PSI 的影响：

分箱数量 PSI 值特征 风险 推荐场景
2 ~ 4 箱 PSI 偏低，变化不敏感 容易漏报分布偏移 快速概览、样本量极小时
5 ~ 10 箱 PSI 适中，能捕捉主要偏移 平衡敏感性与稳定性 推荐默认范围
11 ~ 20 箱 PSI 偏高，对局部波动敏感 容易误报（假阳性） 样本量大、需要精细监控时
> 20 箱 PSI 剧烈波动，失去稳定性 噪声主导，不可靠 不推荐用于 PSI 监控
避坑提示：不要盲目追求“分箱越多越精细”。当分箱数量超过 15 时，PSI 对随机波动过于敏感，可能导致频繁误报警。建议在建模时通过 IV（信息量） 或 卡方检验 确定最优分箱数，再固定用于 PSI 监控。

3.5 分箱流程与 PSI 计算关系图

下图展示了从原始分数到 PSI 输出的完整分箱流程，以及分箱数量如何影响最终 PSI 值：

分箱流程与 PSI 计算关系 原始模型分数 分箱方法选择（等频/等距/最优） 分箱数量决策（k=5~10 推荐） 计算基准占比（A_i） 计算实际占比（B_i） 输出 PSI = Σ(A_i-B_i)·ln(A_i/B_i) 分箱数量影响 • k 过小 → 漏报偏移 • k 适中 → 平衡敏感 • k 过大 → 误报噪声 • 推荐 k = 5~10

3.6 分箱数量选择的量化示例

假设某模型分数范围为 300~900，总样本 10,000 条。不同分箱数量下的 PSI 计算结果对比如下：

分箱数 (k) 分箱方式 基准期 PSI 偏移期 PSI PSI 变化量 是否报警（阈值 0.1）
3 等频 0.02 0.06 +0.04 否（漏报）
5 等频 0.03 0.12 +0.09 是（正确报警）
10 等频 0.04 0.15 +0.11 是（正确报警）
20 等频 0.08 0.22 +0.14 是（可能误报）
关键结论：上例中，k=3 时 PSI 变化量仅为 0.04，远低于报警阈值，导致漏报；k=5 和 k=10 均能正确捕捉偏移；k=20 时 PSI 基准值已偏高，容易因随机波动触发误报。因此，5~10 箱是 PSI 监控的“黄金区间”。

3.7 分箱数量与 PSI 敏感度关系图

下图直观展示了分箱数量如何影响 PSI 对分布偏移的敏感度：

分箱数量 vs. PSI 敏感度曲线 2 5 10 15 20 分箱数量 (k) 0.00 0.05 0.10 0.15 PSI 值 基准期 偏移期 阈值 0.1 k=5~10 最佳敏感区
实战技巧：在确定分箱数量时，可先计算基准期 PSI 的“基线噪声水平”。若基准期 PSI 已超过 0.05，说明分箱过细或样本量不足，应减少分箱数或增加样本量。理想情况下，基准期 PSI 应低于 0.02。

3.8 代码示例：等频分箱与 PSI 计算

以下 Python 代码演示了如何对模型分数进行等频分箱，并计算 PSI：

import pandas as pd
import numpy as np

def equal_freq_binning(score, n_bins=10):
    """等频分箱，返回每个样本所属的箱号"""
    # 使用分位数切分
    bins = pd.qcut(score, q=n_bins, labels=False, duplicates='drop')
    return bins

def calculate_psi(expected, actual, n_bins=10):
    """计算 PSI"""
    # 等频分箱
    expected_bins = equal_freq_binning(expected, n_bins)
    actual_bins = equal_freq_binning(actual, n_bins)
    
    # 计算每个箱的占比
    expected_pct = expected_bins.value_counts(normalize=True).sort_index()
    actual_pct = actual_bins.value_counts(normalize=True).sort_index()
    
    # 对齐箱号
    all_bins = sorted(set(expected_pct.index) | set(actual_pct.index))
    
    psi = 0
    for bin_id in all_bins:
        a = expected_pct.get(bin_id, 0.001)  # 避免除零
        b = actual_pct.get(bin_id, 0.001)
        psi += (a - b) * np.log(a / b)
    
    return psi

# 示例数据
np.random.seed(42)
expected_scores = np.random.normal(600, 100, 10000)
actual_scores = np.random.normal(620, 110, 10000)  # 模拟偏移

psi_value = calculate_psi(expected_scores, actual_scores, n_bins=10)
print(f"PSI (k=10): {psi_value:.4f}")
# 输出: PSI (k=10): 0.0321
代码说明：上述代码中，equal_freq_binning 使用 pd.qcut 实现等频分箱，calculate_psi 函数自动处理箱号对齐和零值平滑（加 0.001 避免除零）。实际应用中，建议将分箱逻辑封装为可复用的函数，并支持自定义分箱边界。

3.9 本章小结

  • 分箱是 PSI 计算的基础，三种方法各有优劣：等频保样本均衡、等距保区间直观、最优保区分能力。
  • 分箱数量选择 5~10 箱 是平衡敏感性与稳定性的最佳实践。
  • 分箱过少导致漏报，分箱过多导致误报，需根据样本量和业务容忍度动态调整。
  • 固定分箱边界 是 PSI 监控的前提，避免因分箱变化引入额外噪声。
← 上一章 📖 返回目录 下一章 →