解决的问题：
1、实现了二分类的卡方分箱；
2、实现了最大分组限定停止条件，和最小阈值限定停止条件；
问题，还不太清楚，后续补充。
1、自由度k,如何来确定，卡方阈值的自由度为 分箱数-1，显著性水平可以取10%，5%或1%
算法扩展：
1、卡方分箱除了用阈值来做约束条件，还可以进一步的加入分箱数约束，以及最小箱占比，坏人率约束等。
2、需要实现更多分类的卡方分箱算法；
具体代码如下：
- # -*- coding: utf-8 -*-
- """
- Created on Wed Nov 28 16:54:58 2018
- @author: wolfly_fu
- 解决的问题：
- 1、实现了二分类的卡方分箱
- 2、实现了最大分组限定停止条件，和最小阈值限定停止条件；
- 问题，
- 1、自由度k,如何来确定？
- 算法扩展：
- 1、卡方分箱除了用阈值来做约束条件，还可以进一步的加入分箱数约束，以及最小箱占比，坏人率约束等。
- 2、需要实现更多分类的卡方分箱算法
- """
- import pandas as pd
- import numpy as np
- from scipy.stats import chi2
- #导入数据
- df = pd.read_csv(u'test.csv')
- #计算卡方统计量
- def cal_chi2(input_df,var_name,Y_name): ##二分类，，计算每个变量值的卡方统计量
- '''
- df = input_df[[var_name,Y_name]]
- var_values = sorted(list(set(df[var_name])))
- Y_values = sorted(list(set(df[Y_name])))
- #用循环的方式填充
- chi2_result = pd.DataFrame(index=var_values,columns=Y_values)
- for var_value in var_values:
- for Y_value in Y_values:
- chi2_result.loc[var_value][Y_value] = \
- df[(df[var_name]==var_value)&(df[Y_name]==Y_value)][var_name].count()
- '''
- input_df = input_df[[var_name,Y_name]] #取数据
- all_cnt = input_df[Y_name].count() #样本总数
- all_0_cnt = input_df[input_df[Y_name] == 0].shape[0] # 二分类的样本数量
- all_1_cnt = input_df[input_df[Y_name] == 1].shape[0]
- expect_0_ratio = all_0_cnt * 1.0 / all_cnt #样本分类比例
- expect_1_ratio = all_1_cnt * 1.0 / all_cnt
- #对变量的每个值计算实际个数，期望个数，卡方统计量
- var_values = sorted(list(set(input_df[var_name])))
- actual_0_cnt = [] # actual_0 该值，类别为0的数量
- actual_1_cnt = [] # actual_1 该值，类别为1的数量
- actual_all_cnt = []
- expect_0_cnt = [] # expect_0 类别0 的卡方值
- expect_1_cnt = [] # expect_1 类别1 的卡方值
- chi2_value = [] # chi2_value 该组的卡方值
- for value in var_values:
- actual_0 = input_df[(input_df[var_name]==value)&(input_df[Y_name]==0)].shape[0] #该值，类别为0的数量
- actual_1 = input_df[(input_df[var_name]==value)&(input_df[Y_name]==1)].shape[0]
- actual_all = actual_0 + actual_1 #总数
- expect_0 = actual_all * expect_0_ratio #类别0 的 期望频率
- expect_1 = actual_all * expect_1_ratio
- chi2_0 = (expect_0 - actual_0)**2 / expect_0 #类别0 的卡方值
- chi2_1 = (expect_1 - actual_1)**2 / expect_1
- actual_0_cnt.append(actual_0) #样本为0的，该值的数量
- actual_1_cnt.append(actual_1)
- actual_all_cnt.append(actual_all) #改组的总样本数
- expect_0_cnt.append(expect_0) #类别0 的 期望频率
- expect_1_cnt.append(expect_1)
- chi2_value.append(chi2_0 + chi2_1) #改变量值的卡方值
- chi2_result = pd.DataFrame({'actual_0':actual_0_cnt,'actual_1':actual_1_cnt,'expect_0':expect_0_cnt,\
- 'expect_1':expect_1_cnt,'chi2_value':chi2_value,var_name+'_start':var_values,\
- var_name+'_end':var_values},\
- columns=[var_name+'_start',var_name+'_end','actual_0','actual_1','expect_0','expect_1','chi2_value'])
- return chi2_result,var_name
- #定义合并区间的方法
- def merge_area(chi2_result,idx,merge_idx):
- #按照idx和merge_idx执行合并
- chi2_result.ix[idx,'actual_0'] = chi2_result.ix[idx,'actual_0'] + chi2_result.ix[merge_idx,'actual_0']
- chi2_result.ix[idx,'actual_1'] = chi2_result.ix[idx,'actual_1'] + chi2_result.ix[merge_idx,'actual_1']
- chi2_result.ix[idx,'expect_0'] = chi2_result.ix[idx,'expect_0'] + chi2_result.ix[merge_idx,'expect_0']
- chi2_result.ix[idx,'expect_1'] = chi2_result.ix[idx,'expect_1'] + chi2_result.ix[merge_idx,'expect_1']
- chi2_0 = (chi2_result.ix[idx,'expect_0'] - chi2_result.ix[idx,'actual_0'])**2 / chi2_result.ix[idx,'expect_0']
- chi2_1 = (chi2_result.ix[idx,'expect_1'] - chi2_result.ix[idx,'actual_1'])**2 / chi2_result.ix[idx,'expect_1']
- chi2_result.ix[idx,'chi2_value'] = chi2_0 + chi2_1 #计算卡方值
- #调整每个区间的起始值
- if idx < merge_idx:
- chi2_result.ix[idx,var_name+'_end'] = chi2_result.ix[merge_idx,var_name+'_end'] #向后扩大范围
- else:
- chi2_result.ix[idx,var_name+'_start'] = chi2_result.ix[merge_idx,var_name+'_start'] ##，向前扩大范围
- chi2_result = chi2_result.drop([merge_idx]) #删掉行
- chi2_result = chi2_result.reset_index(drop=True)
- return chi2_result
- #自动进行分箱，使用最大区间限制
- def chiMerge_maxInterval(chi2_result,max_interval=5): #最大分箱数 为 5
- groups = chi2_result.shape[0] #各组的卡方值，数量
- while groups > max_interval:
- min_idx = chi2_result[chi2_result['chi2_value']==chi2_result['chi2_value'].min()].index.tolist()[0] #寻找最小的卡方值
- if min_idx == 0:
- chi2_result = merge_area(chi2_result,min_idx,min_idx+1) #合并1和2组
- elif min_idx == groups-1:
- chi2_result = merge_area(chi2_result,min_idx-1)
- else: #寻找左右两边更小的卡方组
- if chi2_result.loc[min_idx-1,'chi2_value'] > chi2_result.loc[min_idx+1,'chi2_value']:
- chi2_result = merge_area(chi2_result,min_idx+1)
- else:
- chi2_result = merge_area(chi2_result,min_idx-1)
- groups = chi2_result.shape[0]
- return chi2_result
- def chiMerge_minChiSquare(chi2_result,var_name): #(chi_result,maxInterval=5):
- '''
- 卡方分箱合并--卡方阈值法，，同时限制，最大组为6组，，可以去掉
- '''
- threshold = get_chiSquare_distribution(4,0.1)
- min_chiSquare = chi2_result['chi2_value'].min()
- #min_chiSquare = chi_result['chi_square'].min()
- group_cnt = len(chi2_result)
- # 如果变量区间的最小卡方值小于阈值，则继续合并直到最小值大于等于阈值
- while(min_chiSquare < threshold and group_cnt > 6):
- min_idx = chi2_result[chi2_result['chi2_value']==chi2_result['chi2_value'].min()].index.tolist()[0] #寻找最小的卡方值
- #min_index = chi_result[chi_result['chi_square']==chi_result['chi_square'].min()].index.tolist()[0]
- # 如果分箱区间在最前,则向下合并
- if min_idx == 0:
- chi2_result = merge_area(chi2_result,min_idx+1) #合并1和2组
- elif min_idx == group_cnt -1:
- chi2_result = merge_area(chi2_result,min_idx-1)
- min_chiSquare = chi2_result['chi2_value'].min()
- group_cnt = len(chi2_result)
- return chi2_result
- #分箱主体部分包括两种分箱方法的主体函数，其中merge_chiSquare()是对区间进行合并，
- #get_chiSquare_distribution()是根据自由度和置信度得到卡方阈值。我在这里设置的是自由度为4
- #，置信度为10%。两个自定义函数如下
- def get_chiSquare_distribution(dfree=4,cf=0.1):
- '''
- 根据自由度和置信度得到卡方分布和阈值
- dfree:自由度k= (行数-1)*(列数-1)，默认为4 #问题，自由度k,如何来确定？
- cf:显著性水平，默认10%
- '''
- percents = [ 0.95,0.90,0.5,0.1,0.05,0.025,0.01,0.005]
- df = pd.DataFrame(np.array([chi2.isf(percents,df=i) for i in range(1,30)]))
- df.columns = percents
- df.index = df.index+1
- # 显示小数点后面数字
- pd.set_option('precision',3)
- return df.loc[dfree,cf]
以上这篇python实现二分类的卡方分箱示例就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持我们。