《投资-374》量化交易 - 特征工程 - sklearn分箱函数与使用方法

在 scikit-learn（sklearn）中，虽然没有专门命名为“分箱”（Binning）的独立模块，但提供了多个**强大的预处理工具**来实现将连续变量转换为离散类别——即“分箱操作”。

这些方法广泛应用于特征工程、模型稳定性提升和非线性关系建模。

---

✅ 一、sklearn 中用于分箱的核心函数与类

方法	所属模块	功能说明
🔹 KBinsDiscretizer	sklearn.preprocessing	最常用： 支持等宽、等频、K均值三种分箱方式
🔹 DecisionTreeClassifier/Regressor	sklearn.tree	用决策树生成最优切分点（有监督分箱）
🔹 FunctionTransformer + 自定义函数	sklearn.preprocessing	灵活实现自定义规则分箱

---

📦 二、核心函数详解与使用方法

---

1️⃣ KBinsDiscretizer —— 最推荐的自动分箱工具

✅ 功能：

将连续特征划分为 n_bins 个区间，并输出离散化后的整数编码或 one-hot 编码。

支持三种策略：

参数 strategy=	含义
'uniform'	等宽分箱（Equal-width）
'quantile'	等频分箱（Equal-frequency）
'kmeans'	K-Means聚类分箱（基于簇中心划分）

🧪 基本语法：

from sklearn.preprocessing import KBinsDiscretizer

import numpy as np

# 示例数据（一列）

X = np.array([[1.2], [5.6], [3.4], [7.8], [2.1], [9.5], [6.3]])

# 创建分箱器：分为3箱，使用等频策略，输出one-hot

est = KBinsDiscretizer(

n_bins=3,

encode='onehot', # 可选 'onehot' / 'ordinal'

strategy='quantile' # 'uniform', 'quantile', 'kmeans'

)

X_binned = est.fit_transform(X)

输出说明：

• encode='ordinal' → 输出 [0, 1, 2] 类型的整数标签
• encode='onehot' → 输出稀疏矩阵（可用 .toarray() 查看）

💡 推荐用于无监督场景下的特征离散化。

---

🔄 如何还原原始区间？（获取断点）

# 查看每个特征的边界值

bin_edges = est.bin_edges_[0] # 第一个特征的分界点

print("Bin edges:", )

# 输出示例: [1.2 3.4 6.3 9.5]

可用于后续解释或新数据转换。

---

2️⃣ 使用 DecisionTree 实现有监督分箱（Supervised Binning）

✅ 场景：

你想根据目标变量 y 来找到最佳切分点（如风控中的WOE分箱前奏）。

方法思路：

• 训练一棵浅层决策树（深度1~3），仅使用单个连续特征预测 y
• 提取其分裂阈值作为“最优分箱点”

🧪 示例代码：

from sklearn.tree import DecisionTreeClassifier

import numpy as np

# 模拟数据

X = np.array([10, 20, 30, 40, 50, 60, 70, 80, 90]).reshape(-1, 1)

y = np.array([0, 0, 0, 1, 1, 1, 1, 1, 1]) # 目标变量

# 构建浅层树

tree = DecisionTreeClassifier(

max_depth=2, # 控制复杂度

min_samples_leaf=0.2, # 防止过拟合

random_state=0

)

tree.fit(X, y)

# 获取分割点（通过 tree.tree_.threshold）

thresholds = tree.tree_.threshold[tree.tree_.feature == 0]

print("Optimal split points:", thresholds) # 如 [35.] → 在35处分割

✅ 应用：可据此将原变量分为 [<35, >=35] 两组，再计算每组的坏账率、转化率等。

---

3️⃣ 自定义规则分箱（配合 FunctionTransformer）

✅ 场景：

你需要按业务逻辑手动设置断点，如 BMI 分级、信用评分等级。

🧪 示例：BMI 四分法

from sklearn.preprocessing import FunctionTransformer

import numpy as np

def bmi_category(x):

"""

输入体重(kg)和身高(m)，返回类别编码

"""

weight = x[:, 0]

height = x[:, 1]

bmi = weight / (height ** 2)

bins = [0, 18.5, 24, 28, 100]

labels = [0, 1, 2, 3] # 偏瘦、正常、超重、肥胖

return np.digitize(bmi, bins=bins, right=False) - 1

# 包装成转换器

custom_binner = FunctionTransformer(bmi_category, validate=False)

# 使用

X_raw = np.array([[60, 1.7], [75, 1.75], [90, 1.7]]) # [weight, height]

X_cat = custom_binner.transform(X_raw)

print(X_cat) # 输出类别标签

✅ 优势：完全可控，适合强领域知识场景。

---

🔍 三、常见参数说明（以 KBinsDiscretizer 为例）

参数	说明
n_bins	分多少个箱子（默认5）
encode	'onehot', 'onehot-dense', 'ordinal'
strategy	'uniform'（等宽）、'quantile'（等频）、'kmeans'（聚类）
dtype	输出类型（float64/int等）

---

🧩 四、实战流程建议（完整 pipeline）

from sklearn.pipeline import Pipeline

from sklearn.preprocessing import KBinsDiscretizer, StandardScaler

from sklearn.linear_model import LogisticRegression

# 构建流水线：标准化 → 分箱 → 建模

pipeline = Pipeline([

('scaler', StandardScaler()), # 可选，尤其当使用kmeans时

('binner', KBinsDiscretizer(n_bins=5, encode='ordinal', strategy='quantile')),

('model', LogisticRegression())

])

pipeline.fit(X_train, y_train)

⚠️ 注意：只在训练集上 fit()，测试集直接 transform()，防止数据泄露。

---

✅ 五、如何选择合适的分箱策略？

场景	推荐方法
数据分布均匀	strategy='uniform'
数据偏态严重（如收入）	strategy='quantile'（等频）
想发现自然聚集模式	strategy='kmeans'
追求最大区分度（有y）	决策树找切分点
有明确业务标准	自定义规则分箱

---

❗ 六、注意事项

要点	说明
✅ 保留 bin_edges	便于解释和未来部署
✅ 不要在测试集重新学习分箱规则	必须复用训练集的边界
✅ 避免过多分箱	一般3~8箱为宜，防止过拟合
✅ 结合下游任务评估效果	用交叉验证判断是否真提升了模型性能

---

✅ 总结一句话：

**KBinsDiscretizer 是 sklearn 中进行自动化分箱的首选工具**，它支持等宽、等频、K均值三种主流策略，结合 Pipeline 可轻松集成到机器学习流程中。

---

💡 一句口诀记忆：

“要分箱，用KBins；
等宽 uniform，等频 quantile；
聚类靠 kmeans，监督靠树 splits。”

---

🎯 掌握这些方法，你就掌握了从数值到类别的关键跃迁能力——
不是所有模型都需要连续输入，有时，“段位”比“分数”更有力量。