python实现二分类的卡方分箱示例

Python  /  管理员 发布于 7年前   255

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 pdimport numpy as npfrom 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，也希望大家多多支持。