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, 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，使用最大区间限制

def chiMerge_maxInterval(chi2_result, var_name, 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, 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，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, 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]

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

您可能感兴趣的文章: