python实现二分类的卡方分箱示例

 # -*- 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  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  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]