python 最优分箱代码

好的，以下是一个基于CART算法实现的Python最优分箱代码，可以用于对连续变量进行分箱操作：

import numpy as np
import pandas as pd
from sklearn.tree import DecisionTreeRegressor

def binning_continuous_var(data, target, min_samples_leaf=50, max_bins=10, return_bins=False):
    data = pd.concat([data, target], axis=1)
    cont_cols = data.select_dtypes(include=[np.number]).columns.tolist()
    for col in cont_cols:
        binned_col, bins = bin_continuous_var(data, col, target, min_samples_leaf, max_bins)
        data[col] = binned_col
    if return_bins:
        return data, bins
    else:
        return data

def bin_continuous_var(data, col, target, min_samples_leaf, max_bins):
    data_range = data[col].max() - data[col].min()
    if data_range == 0:
        return data[col], []
    else:
        tree_model = DecisionTreeRegressor(
            criterion='mse',
            min_samples_leaf=min_samples_leaf,
            max_leaf_nodes=max_bins,
            random_state=42
        )
        tree_model.fit(data[col].to_frame(), target)
        n_leaves = tree_model.get_n_leaves()
        while n_leaves >= max_bins:
            max_bins -= 1
            tree_model = DecisionTreeRegressor(
                criterion='mse',
                min_samples_leaf=min_samples_leaf,
                max_leaf_nodes=max_bins,
                random_state=42
            )
            tree_model.fit(data[col].to_frame(), target)
            n_leaves = tree_model.get_n_leaves()
        leaves_range = [(tree_model.tree_.threshold[i - 1], tree_model.tree_.threshold[i]) for i in
                        np.where(tree_model.tree_.children_left == -1)[0]]
        bins = [data[col].min()] + [i[1] for i in leaves_range[:-1]] + [data[col].max()]
        binned_col = np.digitize(data[col], bins)
        binned_col = pd.Series(binned_col, index=data.index)
        binned_col = binned_col.map(lambda x: np.round(np.mean(data[target.name][binned_col == x]), 4))
        return binned_col, bins

该代码中，`binning_continuous_var`函数是用于执行最优分箱的主函数，输入参数包括待分箱的数据、目标变量、最小样本数、最大分箱数和是否返回分箱边界值等。该函数会循环处理每个连续变量，并调用`bin_continuous_var`函数对每个连续变量进行分箱操作，最后将分箱结果更新到数据集中。如果需要返回分箱结果，则返回数据集和分箱边界值列表。

`bin_continuous_var`函数是用于执行单个连续变量的分箱操作，输入参数包括待分箱的数据、连续变量的列名、目标变量、最小样本数和最大分箱数等。该函数会使用CART算法拟合一个回归树模型，并根据最大叶节点数目的限制对树进行剪枝操作，从而得到最优的分箱边界值。最后，该函数会将数据集中的连续变量转换为对应的分箱结果，并返回分箱结果和分箱边界值列表。

使用该代码，您只需要将待分箱的数据和目标变量传入`binning_continuous_var`函数即可，例如：

# 生成测试数据
data = pd.DataFrame({
    'col1': np.random.rand(1000),
    'col2': np.random.rand(1000),
    'col3': np.random.rand(1000),
    'target': np.random.randint(0, 2, 1000)
})
# 执行最优分箱操作
data_binned = binning_continuous_var(data.drop('target', axis=1), data['target'], min_samples_leaf=50, max_bins=10, return_bins=False)

以上就是一个基于CART算法实现的Python最优分箱代码，希望可以对您有所帮助。