“分箱方法是通过考察数据的“近邻”来光滑有序数据的值，使有序值分布到一些桶或箱中。通常分为两种方法，分别是等深分箱和等宽分箱。“--摘自CDA数据分析师2级教材第六章《市场调研与数据预处理》。

最近在做一个数据分析项目时，遇到了一个头疼的问题。

从数据噪声，到分箱方法

年前，我们手头有一组银行用户的交易数据，目标是预测哪些用户更可能逾期还款。数据看起来很丰富，几十万条记录，数十个特征，涵盖了用户的年龄、收入、信用评分、交易金额等信息。

但建模后发现：

数据太“杂”了：信用评分从 300 到 850，年龄从 18 到 80，交易金额跨度更是夸张，从几块钱到上百万。这些数值型特征的分布极不均匀，导致模型难以学习模式。

过拟合风险：某些变量对模型的影响过大，比如年龄，模型可能会误以为“38 岁比 37 岁更容易逾期”，但实际上，人的信用风险不会因为生日多过一天而发生明显变化。

极端值的影响：有些用户的收入远远超出普通人群范围，而部分用户的消费异常波动，使得数据分布严重偏斜。如何让数据更加易用？

分箱方法：让数据更加平滑有序

数据分箱的核心思想是：考察数据的“近邻”关系，把连续数据划分为多个区间（桶或箱），让模型更容易理解模式，同时减少噪声对结果的干扰。

分箱可以让数据变得更加稳定，同时提升模型的泛化能力。特别是在信用评分、市场分析、天气预测等领域，分箱是一个不可或缺的工具。

目前，最常见的分箱方法主要有两种：

1. 等深分箱（Equal Frequency Binning）

2. 等宽分箱（Equal Width Binning）

等深分箱：每个箱子装的人数一样多

等深分箱，顾名思义，就是让每个分箱中的样本数量相等，也就是说，每个区间包含的数据点数量相似，而区间的宽度可能不均匀。

举个例子

假设我们有一组用户的月收入数据（单位：元）：

[3000, 5000, 7000, 10000, 12000, 15000, 20000, 30000, 50000, 80000]

如果我们想把这些收入数据分成 3 个等深分箱，每个分箱 3~4 个样本，可能得到如下分组：

• 第一箱（低收入群体）： 3000, 5000, 7000

• 第二箱（中等收入群体）： 10000, 12000, 15000, 20000

• 第三箱（高收入群体）： 30000, 50000, 80000

等深分箱的特点：

对：适用于数据分布不均匀的情况，例如信用评分或电商用户消费数据。

对：避免某些分箱内样本过多、另一些分箱内样本过少的问题，使数据分布更均衡。

对：适用于极端值较多的数据集，避免个别值对模型产生不合理的影响。

错：但由于分箱的宽度不固定，可能导致某些区间的数值跨度过大，影响模型的可解释性。

等宽分箱：每个箱子的宽度一样大

等宽分箱，就是让每个分箱的取值范围相等，这样每个箱子的跨度是固定的，但每个分箱中的数据量可能不同。

用同样的收入数据，我们尝试等宽分箱

• 数据范围：最小值 3000，最大值 80000

• 设定 3 个等宽分箱，计算宽度：

![文本

中度可信度描述已自动生成](https://files.mdnice.com/user/33324/1dad35d9-8bd2-440d-a9b4-8526b8887310.png)

取整数 25000 作为分箱区间。

分箱结果如下：

• 第一箱（低收入群体）（3000~28000）： 3000, 5000, 7000, 10000, 12000, 15000, 20000

• 第二箱（中等收入群体）（28000~53000）： 30000, 50000

• 第三箱（高收入群体）（53000~80000）： 80000

等宽分箱的特点：

对：计算简单，容易理解，适用于数据分布均匀的情况。

对：适合温度、时间、地理位置等变量，保持数值范围的等距划分。

错：如果数据分布不均匀，可能会导致某些分箱过密，而某些分箱过稀疏，影响数据的代表性。

等深 vs. 等宽：如何选择？

一句话总结：

• 数据分布均匀 → 选 等宽分箱，比如天气数据。

• 数据分布不均匀 → 选 等深分箱，比如收入、信用评分。

数据分箱：模型的稳定器

分箱不仅仅是为了让数据更整洁，它还有着更深远的影响，比如：

在 信用风险评估 中，合理的分箱可以让评分模型更加稳定，避免过拟合。

在 医疗数据分析 中，分箱可以帮助医生更好地判断不同年龄段的健康风险。

在 市场营销 中，分箱可以让商家更精准地划分客户群体，进行个性化推荐。

回到文章开头，我们的金融风控项目最终选择了等深分箱来处理信用评分数据，让模型在不同人群中都能保持良好的预测能力。分箱就像是一个过滤器，让数据更加清晰有序，让模型能够专注于真正重要的信息。