连续变量最优分箱--基于CART算法
关于变量分箱主要分为两大类：有监督型和无监督型
对应的分箱方法：
A. 无监督：(1) 等宽 (2) 等频 (3) 聚类
B. 有监督：(1) 卡方分箱法(ChiMerge) (2) ID3、C4.5、CART等单变量决策树算法 (3) 信用评分建模的IV最大化分箱 等
本篇使用python，基于CART算法对连续变量进行最优分箱
由于CART是决策树分类算法，所以相当于是单变量决策树分类。
简单介绍下理论：
CART是二叉树，每次仅进行二元分类，对于连续性变量，方法是依次计算相邻两元素值的中位数，将数据集一分为二，计算该点作为切割点时的基尼值较分割前的基尼值下降程度，每次切分时，选择基尼下降程度最大的点为最优切分点，再将切分后的数据集按同样原则切分，直至终止条件为止。
关于CART分类的终止条件：视实际情况而定，我的案例设置为 a.每个叶子节点的样本量>=总样本量的5% b.内部节点再划分所需的最小样本数>=总样本量的10%
python代码实现：
-
import pandas
as pd
-
import numpy
as np
-
-
#读取数据集，至少包含变量和target两列
-
sample_set = pd.read_excel(
'/数据样本.xlsx')
-
-
def calc_score_median(sample_set, var):
-
'''
-
计算相邻评分的中位数，以便进行决策树二元切分
-
param sample_set: 待切分样本
-
param var: 分割变量名称
-
'''
-
var_list = list(np.unique(sample_set[var]))
-
var_median_list = []
-
for i
in range(len(var_list)
-1):
-
var_median = (var_list[i] + var_list[i+
1]) /
2
-
var_median_list.append(var_median)
-
return var_median_list
var表示需要进行分箱的变量名，返回一个样本变量中位数的list
-
def choose_best_split(sample_set, var, min_sample):
-
'''
-
使用CART分类决策树选择最好的样本切分点
-
返回切分点
-
param sample_set: 待切分样本
-
param var: 分割变量名称
-
param min_sample: 待切分样本的最小样本量(限制条件)
-
'''
-
# 根据样本评分计算相邻不同分数的中间值
-
score_median_list = calc_score_median(sample_set, var)
-
median_len = len(score_median_list)
-
sample_cnt = sample_set.shape[
0]
-
sample1_cnt = sum(sample_set[
'target'])
-
sample0_cnt = sample_cnt- sample1_cnt
-
Gini =
1 - np.square(sample1_cnt / sample_cnt) - np.square(sample0_cnt / sample_cnt)
-
-
bestGini =
0.0; bestSplit_point =
0.0; bestSplit_position =
0.0
-
for i
in range(median_len):
-
left = sample_set[sample_set[var] < score_median_list[i]]
-
right = sample_set[sample_set[var] > score_median_list[i]]
-
-
left_cnt = left.shape[
0]; right_cnt = right.shape[
0]
-
left1_cnt = sum(left[
'target']); right1_cnt = sum(right[
'target'])
-
left0_cnt = left_cnt - left1_cnt; right0_cnt = right_cnt - right1_cnt
-
left_ratio = left_cnt / sample_cnt; right_ratio = right_cnt / sample_cnt
-
-
if left_cnt < min_sample
or right_cnt < min_sample:
-
continue
-
-
Gini_left =
1 - np.square(left1_cnt / left_cnt) - np.square(left0_cnt / left_cnt)
-
Gini_right =
1 - np.square(right1_cnt / right_cnt) - np.square(right0_cnt / right_cnt)
-
Gini_temp = Gini - (left_ratio * Gini_left + right_ratio * Gini_right)
-
if Gini_temp > bestGini:
-
bestGini = Gini_temp; bestSplit_point = score_median_list[i]
-
if median_len >
1:
-
bestSplit_position = i / (median_len -
1)
-
else:
-
bestSplit_position = i / median_len
-
else:
-
continue
-
-
Gini = Gini - bestGini
-
return bestSplit_point, bestSplit_position
min_sample 参数为最小叶子节点的样本阈值，如果小于该阈值则不进行切分，如前面所述设置为整体样本量的5%
返回的结果我这里只返回了最优分割点，如果需要返回其他的比如GINI值，可以自行添加。
-
def bining_data_split(sample_set, var, min_sample, split_list):
-
'''
-
划分数据找到最优分割点list
-
param sample_set: 待切分样本
-
param var: 分割变量名称
-
param min_sample: 待切分样本的最小样本量(限制条件)
-
param split_list: 最优分割点list
-
'''
-
split, position = choose_best_split(sample_set, var, min_sample)
-
if split !=
0.0:
-
split_list.append(split)
-
# 根据分割点划分数据集，继续进行划分
-
sample_set_left = sample_set[sample_set[var] < split]
-
sample_set_right = sample_set[sample_set[var] > split]
-
# 如果左子树样本量超过2倍最小样本量，且分割点不是第一个分割点，则切分左子树
-
if len(sample_set_left) >= min_sample *
2
and position
not
in [
0.0,
1.0]:
-
bining_data_split(sample_set_left, var, min_sample, split_list)
-
else:
-
None
-
# 如果右子树样本量超过2倍最小样本量，且分割点不是最后一个分割点，则切分右子树
-
if len(sample_set_right) >= min_sample *
2
and position
not
in [
0.0,
1.0]:
-
bining_data_split(sample_set_right, var, min_sample, split_list)
-
else:
-
None
split_list 参数是用来保存返回的切分点，每次切分后返回的切分点存入该list
在这里判断切分点分割的左子树和右子树是否满足“内部节点再划分所需的最小样本数>=总样本量的10%”的条件，如果满足则进行递归调用。
-
def get_bestsplit_list(sample_set, var):
-
'''
-
根据分箱得到最优分割点list
-
param sample_set: 待切分样本
-
param var: 分割变量名称
-
'''
-
# 计算最小样本阈值（终止条件）
-
min_df = sample_set.shape[
0] *
0.05
-
split_list = []
-
# 计算第一个和最后一个分割点
-
bining_data_split(sample_set, var, min_df, split_list)
-
return split_list
最后整合以下来个函数调用，返回一个分割点list。
可以使用sklearn库的决策树测试一下单变量分类对结果进行验证，在分类方法相同，剪枝条件一致的情况下结果是一致的。