一、數(shù)據(jù)分箱的情景有三種：

• 某些數(shù)值自變量在測量時存在隨機誤差，需要對數(shù)值進行平滑以消除噪音
• 有些數(shù)值自變量有大量不重復的取值，對于使用<、>、=等基本操作符的算法（如決策樹）而言，如果能減少這些不重復取值的個數(shù)，就能提高算法的速度
• 有些算法只能使用分類自變量，需要把數(shù)值變量離散化

二、數(shù)據(jù)分箱的方法有兩大類，有監(jiān)督的分箱方法和無監(jiān)督的分箱方法。

有監(jiān)督的分箱方法：

• 假設因變量為分類變量，可取值1，…，J。令pl（j）表示第l個分箱內因變量取值為j的觀測的比例，l=1，…，k，j=1，…，J；那么第l個分箱的熵值為Jj=1［-pl（j）×log（pl（j））］。如果第l個分箱內因變量各類別的比例相等，即pl（1）=…=pl（J）=1/J，那么第l個分箱的熵值達到最大值；如果第l個分箱內因變量只有一種取值，即某個pl（j）等于1而其他類別的比例等于0，那么第l個分箱的熵值達到最小值。
• 令rl表示第l個分箱的觀測數(shù)占所有觀測數(shù)的比例；那么總熵值為kl= ?1rl×Jj=1［-pl（j）×log（pl（j ?））］。需要使總熵值達到最小，也就是使分箱能夠最大限度地區(qū)分因變量的各類別。

無監(jiān)督的分箱方法：

假設要將某個自變量的觀測值分為k個分箱，一些常用的分箱方法有：

（1）等寬分箱：將變量的取值范圍分為k個等寬的區(qū)間，每個區(qū)間當作一個分箱。

（2）等頻分箱：把觀測值按照從小到大的順序排列，根據(jù)觀測的個數(shù)等分為k部分，每部分當作一個分箱，例如，數(shù)值最小的1/k比例的觀測形成第一個分箱，等等。

（3）基于k均值聚類的分箱：使用k均值聚類法將觀測值聚為k類，但在聚類過程中需要保證分箱的有序性：第一個分箱中所有觀測值都要小于第二個分箱中的觀測值，第二個分箱中所有觀測值都要小于第三個分箱中的觀測值，等等。