使用卡方分箱进行数据离散化
我们经常疑惑，有些算法例如逻辑回归评分卡建模时为什么要用分箱技术。搞懂了离散化优点即可找到答案。
离散化（Discretization）：将定量数据转化为定性数据的过程。
一些数据挖掘算法只接受分类属性（LVF、FINCO、朴素贝叶斯）。
当数据只有定量特征时，学习过程通常效率较低且效果较差。
卡方分箱算法（Chi Merge Algorithm）
这种离散化方法使用合并方法。
相对类频率应该在一个区间内相当一致（否则应该分裂）
χ2 是用于检验两个离散属性在统计上独立的假设的统计量度。
对于相邻的两个区间，如果 χ2 检验得出该类是独立的区间，则应合并。如果 χ2 检验得出的结论是它们不是独立的，即相对类别频率的差异在统计上是显着的，则两个区间应保持独立。
（卡方分布图）
列联表
计算 χ 2
值可以计算如下：
计算步骤
计算每对相邻区间的 χ2 值
合并具有最低 χ2 值的相邻区间对
重复上述步骤，直到所有相邻对的χ2值超过阈值
阈值：由显着性水平和自由度决定 = 类数 -1
例子
Chi Merge 进行如下。最初，数值属性 A 的每个不同值都被认为是一个区间。对每对相邻区间进行 χ2 检验。具有最小 χ2 值的相邻区间合并在一起，因为一对的低 χ 2 值表示相似的类分布。这个合并过程递归进行，直到满足预定义的停止标准。
第1步
将数据集拆分为 2 个数据集并分别查找值。
数据集 1 → X，类
数据 集 2 → Y，类
使用 Python 实现的 Chi Merge卡方分箱
让我们使用 IRIS 数据集并尝试实施 Chi Merge 过程。
python scipy包有卡方检验函数
https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.chi2_contingency.html
更多卡方检验代码
此版本不用算出期望值，更加方便，参考的是2*2联立表，自由度=1，critical value=2.7
使用卡方分箱进行数据离散化就为大家介绍到这里。强调一下，并非所有算法都需要数据离散化处理。目前集成树算法也很流行，例如xgboost，lightgbm，catboost，他们都不需要数据离散化处理。到底哪种方法最好，这个说不准，我通过多个项目测试，不同数据分布有不同结论！希望各位同学不要盲目迷信理论，自己多去做测试，多自我思考。
使用卡方分箱进行数据离散化就为大家介绍到这里了，欢迎各位同学报名<python金融风控评分卡模型和数据分析微专业课>,学习更多相关知识
版权声明：文章来自公众号(python风控模型),未经许可，不得抄袭。遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
