从论文分析，告诉你什么叫 “卡方分箱”？

前些日子，星球里讨论风控建模面试中的一些问题，其中就提到了 “卡方分箱”。大家对卡方分箱都有或多或少的疑问，应星球朋友要求，最近整理了一下我对卡方分箱的理解，也借此分享给公众号的朋友们。

什么是分箱？

说到分箱，可能很多朋友都非常熟悉，它是数据科学中常用到的一个技巧，意思就是将连续型的数据分成几个数据段，即离散化。很好理解，举个例子，比如将原本连续的年龄特征离散化，结果可变为0-18，18-30, 30-50，>50等4个范围的特征值，而非连续的无穷的特征值。简单理解，这个过程其实就是：连续 —>不连续。

为什么要分箱？

分箱的好处还是很多的，尤其是使用逻辑回归的评分卡建模中，分箱woe也是一种标配。总的来说，分箱有这么几个用处：

• 稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展；
• 离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰；
• 单变量离散化后，每个变量有单独的权重，可以为逻辑回归模型引入了非线性，能够提升模型表达能力，加大拟合；
• 特征离散化以后，起到了简化了逻辑回归模型的作用，降低了模型过拟合的风险。
• 可以将缺失作为独立的一类带入模型。

什么是卡方检验？

卡方检验是统计学中经常用到的一种假设检验。用我的理解总结起来，卡方检验就是对分类数据的频数进行分析的一种方法，它的应用主要表现在两个方面：拟合优度检验和独立性检验（列联分析）。

拟合优度

拟合优度是对一个分类变量的检验，即根据总体分布状况，计算出分类变量中各类别的期望频数，与分布的观察频数进行对比，判断期望频数与观察频数是否有显著差异，从而达到对分类变量进行分析的目的。比如，泰坦尼克号中我们观察幸存者是否与性别有关，可以理解为一个X是否与Y有必然联系。

独立性检验

独立性检验是两个特征变量之间的计算，它可以用来分析两个分类变量是否独立，或者是否有关联。比如某原料质量和产地是否依赖关系，可以理解为一个X与另一个X是否独立。

卡方检验步骤

卡方检验的步骤其实就是一般假设检验的过程。下面列出独立性检验的大致步骤，如下：

• 提出假设，比如假设两个变量之间独立
• 根据分类的观察频数计算期望频数
• 根据卡方公式，计算实际频数与期望频数的卡方值
• 根据自由度和事先确定的显著性水平，查找卡方分布表计算卡法值，并与上一步卡方值比较
• 得出结果判断是否拒绝原假设

什么是卡方分箱？

分箱的方法有很多，卡方分箱属于其中一种，属于有监督系列的。卡方分箱正是一种基于卡方检验的分箱方法，更具地说是基于上面提到的第二种应用，独立性检验，来实现核心分箱功能的。

网上关于卡方分箱的理解也有一些，但是我们直接从算法提出者的论文来理解一下。下面这部分截取是算法的核心部分。

卡方分箱算法简单来说，有两个部分组成：1）初始化步骤；2）合并。

初始化步骤

• 根据连续变量值大小进行排序
• 构建最初的离散化，即把每一个单独的值视为一个箱体。这样做的目的就是想从每个单独的个体开始逐渐合并。

合并

上面已经将初始化的内容构建完毕，这一步就是不断地合并了，自底向上的合并，直到满足停止条件。那么它是如何合并的呢？

论文中提到的具体操作是这样的：

• 计算所有相邻分箱的卡方值：也就是说如果有1,2,3,4个分箱，那么就需要绑定相邻的两个分箱，共三组：12,23,34。然后分别计算三个绑定组的卡方值。
• 从计算的卡方值中找出最小的一个，并把这两个分箱合并：比如，23是卡方值最小的一个，那么就将2和3合并，本轮计算中分箱就变为了1,23,4。

背后的基本思想是：如果两个相邻的区间具有非常类似的类分布，那么这两个区间可以合并。否则，它们应该分开。低卡方值表明它们具有相似的类分布。

停止条件

上面的步骤只是每一轮需要计算的内容，如果我们不设置停止条件，算法就会一直运行。当然，我们一般会设置一些停止条件：

• 卡方停止的阈值
• 分箱数目的限制

意思就是说，只要当所有分箱对的卡方值都大于阈值，并且分箱数目小于最大分箱数时，计算就会继续，直到不满足。这两个值根据我们的经验来定义，作为函数参数设置，一般推荐使用0.9,0.95,0.99的置信度，分箱数一般可以设置为5。

卡方分箱公式理解

有的朋友问我了，说上面内容可以理解，但是公式看不懂。公式是什么样的呢？根据论文中可以看到，它长这个样的：

• m=2：表示相邻的两个分箱数目
• k：表示目标变量的类别数，比如目标是网贷违约的好和坏，那么k=2。k也可以是多类，大于2。
• Aij：实际频数，即第i个分箱的j类频数
• Eij：期望频数

其中，期望频数的公式如下，可根据P(AB)=P(A)P(B)推导出来：

• Ri&Cj：分别是实际频数整列和整行的加和

举个例子说明一下这个公式是如何用的，对于相邻两个分箱的卡方值计算：

实际频数和期望频数都有了，带入卡方公式求解，过程如下：

如果计算结果是所有卡方值中最小的，说明：这组中两个分箱具有最相似的类分布，因此把它们合并。

以上就是结合论文对卡方分箱原理的一个解读。对于卡方分箱的实现有一些特殊情况需要注意，比如初始分箱中每个分箱中的数量，以及是否有全是同一类别的分箱出现等等。不过，如果掌握了上面的核心原理和计算部分，这些特殊情况都可迎刃而解。