python实现连续变量最优分箱详解--CART算法

python实现连续变量最优分箱详解实现连续变量最优分箱详解--CART算法算法

今天小编就为大家分享一篇python实现连续变量最优分箱详解--CART算法，具有很好的参考价值，希望对大家

有所帮助。一起跟随小编过来看看吧

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：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

所需的最小样本数>=总样本量的10%

python代码实现：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):

'''

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

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]]