数据分箱：数据预处理的核心步骤

数据分箱是数据预处理的核心步骤。特征在进入模型之前最好进行分箱计算
目的是：将连续或者离散特征转化成更容易建模和解释的【离散区间】
划分多个【离散区间】
1.抑制噪音与异常值干扰
2.提示非线性关系，提升模型性能
3.数据不平衡和稀缺性
4.增强业务可解释性与决策落地
5.适配模型假设与降低计算成本
逻辑回归lr模型：特征正态分布，分箱调整区间满足假设
树模型XGB：减少分裂节点，降低计算复杂度，提升训练速度

分箱策略
根据不同特征进行分箱
连续特征（年龄 收入 消费）
有序离散特征（教育程度 vip等级 ）
无序离散特征（性别 城市）

1.连续特征；划分区间和兼顾分布与业务

场景​​	​​推荐策略​​	​​案例/原因​​
​​数据分布均匀​​	等距分箱（Equal Width）	身高（150-190cm，每5cm一箱）：分布均匀，等距划分直观，区间边界规则。
​​数据分布偏态/有异常值​​	等频分箱（Equal Frequency）或分位数分箱	收入（右偏分布，少数高收入）：等频分箱（如每20%样本一箱）可避免高收入样本集中在单一箱，保证箱内样本均衡。
​​有明确业务分段规则​​	自定义分箱（基于业务知识）	房价预测中“面积<70㎡（刚需）、70-120㎡（改善）、>120㎡（豪华）”：贴合市场对户型的定义，直接指导定价。
​​需最大化预测能力​​	决策树分箱或卡方分箱（有监督）	预测用户流失：用决策树以“流失率”为目标，自动找到最优分割点（如“月消费额<50元”流失率高），提升模型区分度。
​​数据无明显规律​​	基于聚类的分箱（如K-means）	用户行为时长（无固定模式）：K-means按时长相似性聚类，将“短时长（<10min）”“中时长（10-60min）”“长时长（>60min）”分为3箱。

2.有序离散特征
离散 无需
离散：取值有限的，不连续的
有序：取值之间存在顺序或者等级关系
列：
教育程度：小学 < 初中 < 高中 < 大学 < 研究生（日本房贷还款模型）
评价等级：差（1星） < 中（2星） < 好（3星） < 优秀（4星） （汽车销售服务回调）
收入分层：低收入 < 中等收入 < 高收入（日本房贷还款模型）
疾病严重程度：轻度 < 中度 < 重度（威斯康辛乳腺癌）

3.无序离散特征
离散 无序
离散：取值有限的，不连续的
有序：取值之间不存在顺序，大小，等级关系

性别：男、女 其他（无高低之分）
颜色：红、蓝、绿（无优劣顺序）
职业：教师、医生、工程师（无等级差异）
地区：北京、上海、广州（仅代表不同城市）（如果增加城市等级 则为有序离散）

核心区别

​​维度​​	​​有序离散特征​​	​​无序离散特征​​
取值关系	有明确顺序或等级（如高低、好坏）	无顺序，仅为独立分类
关键信息	顺序本身具有意义	类别间独立，无隐含顺序
典型例子	教育程度、评价等级	性别、颜色、职业

连续特征
离散化（分箱）Binning
标准化Z-score
归一化Min-Max Scaling

LR线性模型偏好标准化特征
XGB树模型偏好离散特征（分箱）

有序离散特征
标签编码： 小学 初中 高中 大学 1 2 3 4
树模型 XGBoost lightGBM

目标编码：原始特征 用户等级 低中高 消费金额 100 200 300
低-100 中-200 高-300
树模型 贝叶斯模型 交叉验证或者分层验证避免数据泄露

序号编码 ：标签编码相似 强调顺序性
疾病严重程度 轻度 中度 重度 编码 1 2 3

无序离散特征
独热编码：为每个类别生成一个二进制特征（0/1）仅对应类别为1 其余为0
原始数据["男", "女"] → 编码矩阵：[[1,0], [0,1]]。
线性模型 逻辑回归 向量机

虚拟编码
嵌入编码
目标编码

特征类型​​	​​核心目标​​	​​推荐编码方法​​	​​典型模型​​
连续特征	保留数值关系/降低尺度影响	标准化、归一化、分箱（转化为有序离散）	线性模型、树模型、神经网络
有序离散特征	保留顺序信息	标签编码、目标编码、序号编码	树模型、目标编码适用于多种模型
无序离散特征	消除虚假顺序，保留类别区分	独热编码、虚拟编码、嵌入编码、目标编码	线性模型（独热/虚拟）、深度学习（嵌入）