python建模数据分箱_【Python数据分析】基于决策树的有监督自动分箱实战代码（自定义封装函数）...

什么叫分箱？

连续变量的离散化处理。例如年龄：从1、2、3、4……100变成“1~20”、“21~30”差不多这个样子。

问题场景（为什么要分箱）：

不论是做业务分析还是建模前的特征工程，经常会遇到一个问题，连续变量需要分箱。且分箱会有一个诉求：分出来的组，对于目标指标（比如转化率）差异最大。

业务分析中这样做的目的在于：一些连续变量对于最终结果指标的影响程度有更好的可解释性。

比如客户的年龄与转化率相关性可能0.3~0.5，有一定的相关性，这样的结果很难下结论，也很难进行下一步推进。

但如果进行了分箱，比如：我们将客户分成了25岁以下，25~35岁，和35岁以上，可以发现，年龄较大的群体转化率更高，可以告诉业务方我们的产品更能吸引什么年龄段的用户。业务更能接受分了群的用户群体，而不是1~100的精确年龄。

而特征工程中试用分箱主要还是增强模型的泛化能力，避免过拟。

难点：

很直白的问题，怎么分才最合适？

解题思路：

分箱的方法论网上能搜到很多，分为有监督和无监督，这里不展开。

这里主要分享我整合的一个分箱函数。调用可以直接完成分箱。

代码与解释：

#系统
import os

#可视化包
import seaborn as sns
from IPython.display import Image
import pydo