python实现二分类的卡方分箱示例-创新互联
解决的问题：
1、实现了二分类的卡方分箱；
2、实现了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, var_name, 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，使用大区间限制
def chiMerge_maxInterval(chi2_result, var_name, max_interval=5): #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, var_name, min_idx, min_idx+1) #合并1和2组
elif min_idx == groups-1:
chi2_result = merge_area(chi2_result, var_name, min_idx, 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, var_name, min_idx, min_idx+1)
else:
chi2_result = merge_area(chi2_result, var_name, min_idx, 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，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, var_name, min_idx, min_idx+1) #合并1和2组
elif min_idx == group_cnt -1:
chi2_result = merge_area(chi2_result, var_name, min_idx, 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, var_name, min_idx, min_idx+1)
else:
chi2_result = merge_area(chi2_result, var_name, min_idx, 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]
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
本文名称：python实现二分类的卡方分箱示例-创新互联
文章分享：http://scyanting.com/article/dgsihc.html
