最近比赛数据进入到特征组合的阶段，在进行特征组合前，要分箱处理，等深等距之类的方法太没有道理了，加上测试集的深度广度也不同。

所以尝试了一种woe编码分箱的方法

import woe.feature_process as fp
import woe.eval as eval

dataset_train=pd.read_csv(‘E:/比赛/公积金逾期预测-数据/train.csv‘)
dataset_test=pd.read_csv(‘E:/比赛/公积金逾期预测-数据/test.csv‘)
#省略其他处理过程
#woe分箱
dataset_train.rename(columns={‘label‘:‘target‘},inplace=True)#数据中必须有一列名为‘target’的列，在这里改了一下列名
civ_list=[]
civ = fp.proc_woe_discrete(dataset_train, ‘DWJJLX‘, 2757, 37243, 0.05*len(dataset_train), alpha=0.5)#对离散特征进行分箱
civ_list.append(civ)
civ_df = eval.eval_feature_detail(civ_list)
civ_df#输出分箱结果
dataset_train[‘DWJJLX‘] = fp.woe_trans(dataset_train[‘DWJJLX‘], civ)#woe赋值

 输出结果上表所示

分箱过程

核心函数主要是freature_process.proc_woe_discrete()与freature_process.proc_woe_continuous()，分别用于计算连续变量与离散变量的woe。它们的输入形式相同：

proc_woe_discrete(df,var,global_bt,global_gt,min_sample,alpha=0.01)

proc_woe_continuous(df,var,global_bt,global_gt,min_sample,alpha=0.01)

输入：

df: DataFrame，要计算woe的数据，必须包含‘target‘变量，且变量取值为{0，1}

var:要计算woe的变量名

global_bt:全局变量bad total。df的正样本数量

global_gt:全局变量good total。df的负样本数量

min_sample:指定每个bin中最小样本量，一般设为样本总量的5%。

alpha:用于自动计算分箱时的一个标准，默认0.01.如果iv_划分>iv_不划分*（1+alpha)则划分。

输出：一个自定义的InfoValue类的object，包含了分箱的一切结果信息。

打印分箱结果：

eval.eval_feature_detail(Info_Value_list,out_path=False)

输入：

Info_Value_list:存储各变量分箱结果(proc_woe_continuous/discrete的返回值）的List.

out_path:指定的分箱结果存储路径，输出为csv文件

特征转换：

得到分箱及woe,iv结果后，对原数据进行woe转换，其实就是用woe值去替换原来的。主要用以下函数

woe_trans(dvar,civ): replace the var value with the given woe value

输入：

dvar: 要转换的变量，Series

civ: proc_woe_discrete或proc_woe_discrete输出的分箱woe结果，自定义的InfoValue类

输出：

var: woe转换后的变量，Series

特征工程之分箱

原文：https://www.cnblogs.com/liuxiangyan/p/14389195.html