本站原创文章，转载请说明来自《老饼讲解-机器学习》www.bbbdata.com
变量分箱指的是对连续变量进行分组，它可以使变量离散化，增强模型泛化能力与方便分析
本文介绍常见的变量自动分箱方法，例如等频分箱、等距分箱、决策树分箱、卡方分箱与KS分箱等等
通过本文，可以了解变量分箱是什么，常用的变量自动分箱算法有哪些，以及它们的原理与效果
本节介绍变量自动分箱是什么，以及有哪些常用的自动分箱方法
什么是自动分箱
在机器学习中，变量分箱是指将连续的数值变量进行分组，使它成为离散变量
而自动分箱，则是指通过算法或规则，将连续变量自动地分组，即自动离散化
按规则进行自动分箱是比较基本的分箱方法，常用的自动分箱规则有：
1. 等频分箱
2. 等距分箱
除了等频、等距分箱外，还有自动分箱的算法，常用的自动分箱算如下：
1. 决策树分箱
2. KS分箱
3. 卡方分箱
自动分箱可以使变量自动离散化，在一些模型的“建模自动化”中成为必不可少的环节
自动规则分箱(等频等距)一般软件中( 例如python)都会有自带的函数或包，
而算法分箱(决策树分箱、KS分箱、卡方分箱)则一般没有官方的包，需要自己写代码实现
本节介绍等频与等距两种常用的自动分箱规则，以及它们的代码实现
等频分箱
什么是等频分箱
等频分箱是指按相等频数进行分箱，即分组后每组的样本一样多，如下所示：
例如共50个样本，，频数设为10
则每10个样本为一箱，分箱结果为：
什么是等距分箱
等距分箱是指按固定距离进行分箱，每组的组距一致，如下所示：
即设定好组距后，根据组距，最后分出多少个箱就多少个箱
例如范围在， 组距为1，则按分为10个箱
等频等距分箱-代码实现
在python中可以利用pandas来实现等频、等距分箱
具体代码如下：
import pandas as pd
from sklearn.datasets import load_iris
# 实现等频、等距分箱
iris = load_iris() # 加载iris数据
x = iris.data[:,0] # 取第0个变量作为分箱变量
# 实现等频分箱
freq_bins = pd.qcut(x , q=5) # 对x进行等频分箱
print("\n等频-分箱结果：", freq_bins.categories) # 分箱结果
print("\n等频-样本箱号：", freq_bins.codes) # 分箱后样本的箱号
# 实现等距分箱
bins = pd.cut(x , bins=5) # 对x进行等距分箱
print("\n等距-分箱结果：", bins.categories) # 分箱结果
print("\n等距-样本箱号：", bins.codes) # 分箱后样本的箱号代码运行结果如下：
在python中使用pandas的qcut、cut就可以等频、等距分箱
如图所示，等频分箱后每个组内的样本是一样多的，而等距分箱后的每个箱的组距一样
本节介绍决策树分箱、最大KS分箱、卡方分箱等自动分箱算法是什么
决策树分箱
决策树分箱是指用变量x与y构建决策树，使用决策树最后的叶子节点作为分箱结果
如下，使用x、y构建决策树，叶子节点就是分箱的结果
最后得到三个分箱：【<=5.45 】、(5.45,6.15】、【>6.15】
备注：详细算法流程与代码实现可参考《一篇入门之-决策树分箱》
最大KS分箱
最大KS分箱是基于KS值来进行分箱的一种方法，它只用于二分类
它先把所有样本初始化为一个分箱，然后根据KS点对分箱不断切割，直到数据分为n个分箱
如下，KS分箱就是根据最大KS值所在处，将分箱不断一分为二，直到达到目标分箱个数
备注：详细算法流程与代码实现可参考《KS分箱》
卡方分箱
卡方分箱是基于卡方值进行分箱的一种方法
卡方分箱先初始化m个分箱，然后不断合并分箱，直到分箱数只剩n个
那么，每次合并哪两个分箱？
卡方分箱用卡方值判断哪两个分箱的类别分布最没区分度，就合并哪两个分箱。
如下，卡方分箱先初始化多个分箱，然后根据卡方值不断进行合并，直到只乘目标分箱个数
备注：详细算法流程与代码实现可参考《一篇入门之-卡方分箱》
好了，以上就是等频等距分箱，以及其它自动分箱算法的介绍了~
End
