提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档
文章目录
- 前言
- 一、分箱思路
- 二、使用步骤
- 1.引入库
- 2.分箱代码实现
- 3、计算各箱的WOE并映射到数据中
前言
提示:以下是本篇文章正文内容
一、分箱思路
算法思路
二、使用步骤
1.引入库
代码如下(示例):
import matplotlib.pyplot as plt
import scipy
2.分箱代码实现
代码如下(示例):
def graphforbestbin(DF, X, Y, n=5,q=20,graph=True):
"""
自动最优分箱函数,基于卡方检验的分箱,输入的是箱子的个数,返回的结果是每个特征对应的分箱的临界值的数据bins
参数:
DF: 需要输入的数据
X: 需要分箱的列名
Y: 分箱数据对应的标签 Y 列名
n: 保留分箱个数
q: 初始分箱的个数
graph: 是否要画出IV图像
区间为前开后闭 (]
"""
DF = DF[[X,Y]].copy()
#bins表示所有的箱子上下限,按照从小到大排列, DF["qcut"]这一列表示分到的标签
DF["qcut"],bins = pd.qcut(DF[X], retbins=True, q=q,duplicates="drop")
coount_y0 = DF.loc[DF[Y]==0].groupby(by="qcut").count()[Y]
coount_y1 = DF.loc[DF[Y]==1].groupby(by="qcut").count()[Y]
#构造num_bins[()]
num_bins = [*zip(bins,bins[1:],coount_y0,coount_y1)]
#保证每个箱体都有正负样本
for i in range(q):
#如果第一箱子中有正样本或者负样本个数为0,则进行1,2箱合并
if 0 in num_bins[0][2:]:
num_bins[0:2] = [(
num_bins[0][0],
num_bins[1][1],
num_bins[0][2]+num_bins[1][2],
num_bins[0][3]+num_bins[1][3])]
continue#因为合并了之后还有可能第一箱存在正样本或者负样本个数为0,所以使用continue
#检查其他箱体中存在正样本或者负样本个数为0,如果存在就进行合并
for i in range(len(num_bins)):
if 0 in num_bins[i][2:]:
num_bins[i-1:i+1] = [(
num_bins[i-1][0],
num_bins[i][1],
num_bins[i-1][2]+num_bins[i][2],
num_bins[i-1][3]+num_bins[i][3])]
break#这个break,只有在if被满足的条件下才会被触发也就是说,只有发生了合并,
#才会打断for i in range(len(num_bins))这个循环,一旦if被触发,即一旦合并发生,我们就让循环被破坏,使用break跳出当前循环
else:#如果对第一组和对后面所有组的判断中,都没有进入if去合并,则提前结束所有的循环
break
def get_woe(num_bins):
#定义求woe的函数
columns = ["min","max","count_0","count_1"]
df = pd.DataFrame(num_bins,columns=columns)
df["total"] = df.count_0 + df.count_1
df["percentage"] = df.total / df.total.sum()
df["bad_rate"] = df.count_1 / df.total
df["good%"] = df.count_0/df.count_0.sum()
df["bad%"] = df.count_1/df.count_1.sum()
df["woe"] = np.log(df["good%"] / df["bad%"])
return df
def get_iv(df):
#定义求IV的函数
rate = df["good%"] - df["bad%"]
iv = np.sum(rate * df.woe)
return iv
IV = []
axisx = []
#合并箱体指直到箱子个数小于n
while len(num_bins) > n:
pvs = []
#通过for循环计算相邻两个箱体之间的卡方值,并存方到pvs列表中
for i in range(len(num_bins)-1):
x1 = num_bins[i][2:]
x2 = num_bins[i+1][2:]
pv = scipy.stats.chi2_contingency([x1,x2])[1]
pvs.append(pv)
#此段代码是合并p值最大的两个箱体
i = pvs.index(max(pvs))
num_bins[i:i+2] = [(
num_bins[i][0],
num_bins[i+1][1],
num_bins[i][2]+num_bins[i+1][2],
num_bins[i][3]+num_bins[i+1][3])]
bins_df = pd.DataFrame(get_woe(num_bins))
axisx.append(len(num_bins))#把合并分箱后的箱子个数放到axisx中
IV.append(get_iv(bins_df))#计算每次合并分箱后的的IV值
#是否进行画图,来观察IV值,表示特征对模型贡献的大小
if graph:
plt.figure()
plt.plot(axisx,IV)
plt.xticks(axisx)
plt.xlabel("number of box")
plt.ylabel("IV")
plt.show()
return bins_df
graphforbestbin(model_data, 'age', 'SeriousDlqin2yrs')
不是所有的特征都可以使用这个分箱函数,比如说有的特征,像家人数量,就无法分出20组。于是我们将可以分箱的特征放出来单独分组,不能自动分箱的变量自己观察然后手写。
#可以自动分箱的属性特征,对应的箱子个数
auto_col_bins = {"RevolvingUtilizationOfUnsecuredLines":6,
"age":5,
"DebtRatio":4,
"MonthlyIncome":3,
"NumberOfOpenCreditLinesAndLoans":5}
#不能使用自动分箱的变量
hand_bins = {"NumberOfTime30-59DaysPastDueNotWorse":[0,1,2,13]
,"NumberOfTimes90DaysLate":[0,1,2,17]
,"NumberRealEstateLoansOrLines":[0,1,2,4,54]
,"NumberOfTime60-89DaysPastDueNotWorse":[0,1,2,8]
,"NumberOfDependents":[0,1,2,3]}
#保证区间覆盖使用np.inf替换最大值,用-np.inf替换最小值
hand_bins = {k:[-np.inf,*v[:-1],np.inf] for k,v in hand_bins.items()}
# 接下来对所有特征按照选择的箱体个数和手写的分箱范围进行分箱
bins_of_col = {}
# 生成自动分箱的分箱区间和分箱后的 IV 值
for col in auto_col_bins:
bins_df = graphforbestbin(model_data,col
,"SeriousDlqin2yrs"
,n=auto_col_bins[col]
#使用字典的性质来取出每个特征所对应的箱的数量
,q=20
,graph=False)
#合并每个箱体分界值的最小最大,并且去重排序
bins_list = sorted(set(bins_df["min"]).union(bins_df["max"]))
#保证区间覆盖使用 np.inf 替换最大值 -np.inf 替换最小值
bins_list[0],bins_list[-1] = -np.inf,np.inf
bins_of_col[col] = bins_list
#合并手动分箱数据
bins_of_col.update(hand_bins)
bins_of_col
3、计算各箱的WOE并映射到数据中
def get_woe(df,col,y,bins):
'''
获取每个箱子对应的woe值
df数据集
col要分箱的列
bins分箱的临界值分界点集合
'''
df = df[[col,y]].copy()
df["cut"] = pd.cut(df[col],bins)
bins_df = df.groupby("cut")[y].value_counts().unstack()
woe = bins_df["woe"] = np.log((bins_df[0]/bins_df[0].sum())/(bins_df[1]/bins_df[1].sum()))
return woe
woeall = {}
for col in bins_of_col:
woeall[col] = get_woe(model_data,col,"SeriousDlqin2yrs",bins_of_col[col])
woeall
#对所有特征操作替换成woe值:
model_woe = pd.DataFrame(index=model_data.index)
for col in bins_of_col:
model_woe[col] = pd.cut(model_data[col],bins_of_col[col]).map(woeall[col])
#将标签补充到数据中
model_woe["SeriousDlqin2yrs"] = model_data["SeriousDlqin2yrs"]
#至此自定义分箱函数分箱完毕