卡方分箱詳解

一、什麼是卡方分箱

卡方分箱（Chi-Square Binning），又稱卡方分割，是一種將連續變量離散化的方法。它通過計算變量的卡方統計量來確定最優劃分點，將變量劃分為多個區間進行分析。

換句話說，卡方分箱是將連續變量（如年齡、收入等）按照分割點分成不同區間（如年齡層、收入層等）的方法，使各個區間的變量分佈差異最大化，從而提升變量的預測能力。

二、卡方分箱的步驟

卡方分箱的步驟如下：

1、將連續變量按照分割方式劃分為k個區間（或分段）。

2、計算每個區間內的數據個數，以及每個區間內目標變量的個數。

3、計算每個區間內目標變量的期望值，期望值為該區間內目標變量的總數除以總樣本數。

4、計算卡方值，卡方值用于衡量觀測值與期望值的偏離程度，卡方值越大，偏離程度越大。

5、計算相鄰區間的卡方值，以及相鄰區間合併後的總卡方值。

6、將相鄰的卡方值最小的區間進行合併，得到新的k-1個區間。

7、重複步驟2至步驟6，直到滿足某個終止條件（如卡方值小於某個閾值、區間數達到預設值等）。

8、根據分割點將連續變量離散化為k-1個區間。

三、代碼示例

import numpy as np
import pandas as pd
from scipy.stats import chi2_contingency

def chi_merge(df, col, target_col, bin_num=5, confidence_level=3.84):
    """
    進行卡方分箱的函數
    :param df: 數據集
    :param col: 需要分箱的列名
    :param target_col: 目標列名
    :param bin_num: 分箱數目，默認為5
    :param confidence_level: 置信度水平，默認為0.95
    :return: 分箱結果，包括區間、實際樣本數、目標樣本數、期望樣本數、卡方值、p值、是否需要合併
    """
    bins = pd.qcut(df[col], q=bin_num, duplicates='drop')
    summary = df.groupby(bins).agg({
        col: ['min', 'max', 'count'],
        target_col: ['sum', 'mean']
    })
    summary.columns = ['_'.join(col).strip() for col in summary.columns.values]

    intervals = [(summary[col]['min'], summary[col]['max'])
                 for col in summary.columns.values if col.endswith('count')]
    while True:
        p_values = []
        for i in range(len(intervals) - 1):
            obs = np.array([[summary.loc[intervals[i], target_col_sum],
                             summary.loc[intervals[i], col_count] - summary.loc[intervals[i], target_col_sum]],
                            [summary.loc[intervals[i + 1], target_col_sum],
                             summary.loc[intervals[i + 1], col_count] - summary.loc[intervals[i + 1], target_col_sum]]])
            _, p_value, _, _ = chi2_contingency(obs, correction=False)
            p_values.append(p_value)
        if np.min(p_values) > confidence_level:
            break
        index = p_values.index(np.min(p_values))
        intervals[index] = (intervals[index][0], intervals[index + 1][1])
        intervals.pop(index + 1)

    result = pd.DataFrame({
        '區間': intervals,
        '實際樣本數': [summary.loc[intv, col_count] for intv in intervals],
        '目標樣本數': [summary.loc[intv, target_col_sum] for intv in intervals]
    })

    n = df[target_col].sum()
    b = len(intervals) - 1
    k = 2
    alpha = 1 - confidence_level
    chi_value = chi2.isf(alpha, df=k-1)

    while True:
        exp_values = np.zeros(b)
        for i in range(b):
            exp_values[i] = (summary.loc[intervals[i], col_count] +
                             summary.loc[intervals[i+1], col_count]) * result['目標樣本數'].sum() / n
        obs_values = result['目標樣本數'].values
        chi_square = ((obs_values - exp_values)**2 / exp_values).sum()
        if chi_square < chi_value:
            break
        min_index = np.argmin(exp_values)
        intervals = sorted(intervals)
        intervals[min_index] = (intervals[min_index][0], intervals[min_index+1][1])
        intervals.pop(min_index+1)
        result['需要合併'][min_index] = True
        b -= 1

    result['期望樣本數'] = exp_values
    result['卡方值'] = (obs_values - exp_values)**2 / exp_values
    result['p值'] = [chi2.sf(chi, df=1) for chi in result['卡方值']]
    result['需要合併'] = False

    return result

四、卡方分箱的優缺點

卡方分箱的優點：

1、卡方分箱可將連續變量離散化，消除線性關係對模型的影響。

2、卡方分箱是一種無監督學習方法，不需要事先了解目標變量的分佈。

3、卡方分箱能夠將數據降維，降低模型計算複雜度。

卡方分箱的缺點：

1、卡方分箱生成的區間數目較少，可能對於數據的分佈不夠精細。

2、卡方分箱會丟失變量之間的線性關係，有些情況下線性關係對預測是有幫助的。

3、卡方分箱不擅長處理極端值和缺失值，可能需要特殊處理。

五、卡方分箱的應用場景

卡方分箱可以應用於任何需要將連續變量離散化的場景，尤其適用於以下幾種情況：

1、前處理：在建立模型之前，需要對特徵進行處理，將連續變量離散化。

2、解決非線性關係：在特徵和目標變量之間存在非線性關係時，可以使用卡方分箱解決。

3、計算信息增益：在進行決策樹等模型中，需要計算各個特徵的信息增益，卡方分箱可以將連續變量離散化，便於計算信息增益。

六、總結

卡方分箱是一種將連續變量離散化的方法，它通過計算變量的卡方統計量來確定最優劃分點，將變量劃分為多個區間進行分析。卡方分箱可以應用於任何需要將連續變量離散化的場景，並且適用於解決非線性關係、計算信息增益等問題。