Python基于卡方值分箱算法的实现与优化
本文介绍Python中基于卡方值的分箱算法实现。通过初始等频分箱,确保每箱包含0和1标签,随后对卡方值最小的相邻箱进行合并,直至达到目标箱数。代码展示了如何计算各箱的IV值、坏比率及WOE值,适用于信用评分卡等场景的特征工程处理。
卡方分箱算法原理
该算法的核心原理较为直观:首先将变量初始划分为20个或更多的箱,确保每个箱内同时包含标签0和1。对于不包含完整标签分布的箱,执行向前合并操作;随后计算各箱的卡方统计量,对卡方值最小的相邻箱执行向后合并,具体实现代码如下。
核心代码实现
import pandas as pd
import numpy as np
import scipy
from scipy import stats
def chi_bin(DF,var,target,binnum=5,maxcut=20):
'''
DF:data
var:variable
target:target / label
binnum: the number of bins output
maxcut: initial bins number
'''
data=DF[[var,target]]
#equifrequent cut the var into maxcut bins
data["cut"],breaks=pd.qcut(data[var],q=maxcut,duplicates="drop",retbins=True)
#count 1,0 in each bin
count_1=data.loc[data[target]==1].groupby("cut")[target].count()
count_0=data.loc[data[target]==0].groupby("cut")[target].count()
#get bins value: min,max,count 0,count 1
bins_value=[*zip(breaks[:maxcut-1],breaks[1:],count_0,count_1)]
#define woe
def woe_value(bins_value):
df_woe=pd.DataFrame(bins_value)
df_woe.columns=["min","max","count_0","count_1"]
df_woe["total"]=df_woe.count_1+df_woe.count_0
df_woe["bad_rate"]=df_woe.count_1/df_woe.total
df_woe["woe"]=np.log((df_woe.count_0/df_woe.count_0.sum())/(df_woe.count_1/df_woe.count_1.sum()))
return df_woe
#define iv
def iv_value(df_woe):
rate=(df_woe.count_0/df_woe.count_0.sum())-(df_woe.count_1/df_woe.count_1.sum())
iv=np.sum(rate * df_woe.woe)
return iv
#make sure every bin contain 1 and 0
##first bin merge backwards
for i in range(len(bins_value)):
if 0 in bins_value[0][2:]:
bins_value[0:2]=[(
bins_value[0][0],
bins_value[1][1],
bins_value[0][2]+bins_value[1][2],
bins_value[0][3]+bins_value[1][3])]
continue
##bins merge forwards
if 0 in bins_value[i][2:]:
bins_value[i-1:i+1]=[(
bins_value[i-1][0],
bins_value[i][1],
bins_value[i-1][2]+bins_value[i][2],
bins_value[i-1][3]+bins_value[i][3])]
break
else:
break
#calculate chi-square merge the minimum chisquare
while len(bins_value)>binnum:
chi_squares=[]
for i in range(len(bins_value)-1):
a=bins_value[i][2:]
b=bins_value[i+1][2:]
chi_square=scipy.stats.chi2_contingency([a,b])[0]
chi_squares.append(chi_square)
#merge the minimum chisquare backwards
i = chi_squares.index(min(chi_squares))
bins_value[i:i+2]=[(
bins_value[i][0],
bins_value[i+1][1],
bins_value[i][2]+bins_value[i+1][2],
bins_value[i][3]+bins_value[i+1][3])]
df_woe=woe_value(bins_value)
#print bin number and iv
print("箱数:{},iv:{:.6f}".format(len(bins_value),iv_value(df_woe)))
#return bins and woe information
return woe_value(bins_value)
分箱效果与IV值分析
以下是算法运行的实际效果展示。
设定初始分箱数为10箱,最终目标分箱数为3箱。
调用示例
chi_bin(data,"age","SeriousDlqin2yrs",binnum=3,maxcut=10)
随着合并过程进行,箱数与对应的IV值变化如下: 箱数:8, iv: 0.184862 箱数:7, iv: 0.184128 箱数:6, iv: 0.179518 箱数:5, iv: 0.176980 箱数:4, iv: 0.172406 箱数:3, iv: 0.160015 最终生成的分箱统计信息如下表所示: | 箱号 | min | max | count_0 | count_1 | total | bad_rate | woe | |---|---|---|---|---|---|---|---| | 0 | 0.0 | 52.0 | 70293 | 7077 | 77370 | 0.091470 | -0.266233 | | 1 | 52.0 | 61.0 | 29318 | 1774 | 31092 | 0.057056 | 0.242909 | | 2 | 61.0 | 72.0 | 26332 | 865 | 27197 | 0.031805 | 0.853755 |
至此,关于Python基于卡方值分箱算法的实现示例介绍完毕。如需了解更多相关Python卡方分箱算法内容,欢迎查阅本站往期文章或继续浏览后续相关教程,感谢大家的支持。
免责声明:本文内容仅供参考,不代表本站观点。转载或引用请注明出处。









