使用決策樹分箱計算woe和iv值例項

使用信用卡預期資料--kaggle案例的訓練資料 - give me some credit；

目標變數為seriousdlqin2yrs：表示未來是否為逾期90天+，1表示逾期90天+，即通常意義上的壞客戶，0則表示沒有逾期90天+的好客戶。

import numpy as np

import pandas as pd
from sklearn.tree import decisiontreeclassifier
def optimal_binning_boundary(x: pd.series, y: pd.series, nan: float = -999.) -> list:
'''利用決策樹獲得最優分箱的邊界值列表
'''boundary =   # 待return的分箱邊界值列表
x = x.fillna(nan).values  # 填充缺失值
y = y.values
clf = decisiontreeclassifier(criterion='entropy',  # 「資訊熵」最小化準則劃分
max_leaf_nodes=6,  # 最大葉子節點數
min_samples_leaf=0.05)  # 葉子節點樣本數量最小佔比
clf.fit(x.reshape(-1, 1), y)  # 訓練決策樹
n_nodes = clf.tree_.node_count
children_left = clf.tree_.children_left
children_right = clf.tree_.children_right
threshold = clf.tree_.threshold
for i in range(n_nodes):
if children_left[i] != children_right[i]:  # 獲得決策樹節點上的劃分邊界值
boundary.sort()
min_x = x.min()
max_x = x.max() + 0.1  # +0.1是為了考慮後續groupby操作時，能包含特徵最大值的樣本
boundary = [min_x] + boundary + [max_x]
return boundary
def feature_woe_iv(x: pd.series, y: pd.series, nan: float = -999.) -> pd.dataframe:
'''計算變數各個分箱的woe、iv值，返回乙個dataframe
'''x = x.fillna(nan)
boundary = optimal_binning_boundary(x, y, nan)  # 獲得最優分箱邊界值列表
df = pd.concat([x, y], axis=1)  # 合併x、y為乙個dataframe，方便後續計算
df.columns = ['x', 'y']  # 特徵變數、目標變數欄位的重新命名
df['bins'] = pd.cut(x=x, bins=boundary, right=false)  # 獲得每個x值所在的分箱區間,
# right為false代表右邊是開區間
grouped = df.groupby('bins')['y']  # 統計各分箱區間的好、壞、總客戶數量
result_df = grouped.agg([('good', lambda y: (y == 0).sum()),
('bad', lambda y: (y == 1).sum()),
('total', 'count')])
result_df['good_pct'] = result_df['good'] / result_df['good'].sum()  # 好客戶佔比
result_df['bad_pct'] = result_df['bad'] / result_df['bad'].sum()  # 壞客戶佔比
result_df['total_pct'] = result_df['total'] / result_df['total'].sum()  # 總客戶佔比
result_df['bad_rate'] = result_df['bad'] / result_df['total']  # 壞比率
result_df['woe'] = np.log(result_df['good_pct'] / result_df['bad_pct'])  # woe
result_df['iv'] = (result_df['good_pct'] - result_df['bad_pct']) * result_df['woe']  # iv
print(f"該變數iv = ")
return result_df
if __name__ == "__main__":
data = pd.read_csv('./data/cs-training.csv')
# boundary = optimal_binning_boundary(x=data['revolvingutilizationofunsecuredlines'],
#                                     y=data['seriousdlqin2yrs'])
# print(boundary)
result_df = feature_woe_iv(x=data['revolvingutilizationofunsecuredlines'],
y=data['seriousdlqin2yrs'])
print(result_df)
result_df.to_excel("./gen_data/result.xlsx")

參考：

python決策樹分箱 快速分箱方法

python 分箱的一種方法 2018.08.02 r語言中有smbining可以進行最優分箱，python中分箱如果既要考慮箱體個數，分箱後資訊量大小，也要考慮單調性等其他因素。這裡給出一種簡單的通過iv值來選擇如果分箱的方法。下面是按照分位數來分的，還可以按照卡房分箱，決策樹分箱等。參照toad...

決策樹和CART決策樹

首先簡單介紹下決策樹 說到決策樹肯定離不開資訊熵 什麼是資訊熵 不要被這名字唬住，其實很簡單 乙個不太可能的時間居然發生了，要比乙個非常可能的時間發生提供更多的資訊。訊息說 今天早上太陽公升起 資訊量是很少的，以至於沒有必要傳送。但另一條訊息說 今天早上日食 資訊量就很豐富。概率越大資訊量就越少,與...

python決策樹分箱 python的等深分箱例項

背景 方法展示 話不多說上 以下為等深分箱以及encoding方法 coding utf 8 created on tue jan 29 17 26 38 2019 author damomwcg class equal depth box def equal box list,bin num pa...