一、數(shù)據(jù)分箱的情景有三種：

• 某些數(shù)值自變量在測(cè)量時(shí)存在隨機(jī)誤差，需要對(duì)數(shù)值進(jìn)行平滑以消除噪音
• 有些數(shù)值自變量有大量不重復(fù)的取值，對(duì)于使用<、>、=等基本操作符的算法（如決策樹(shù)）而言，如果能減少這些不重復(fù)取值的個(gè)數(shù)，就能提高算法的速度
• 有些算法只能使用分類(lèi)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(lèi)，有監(jiān)督的分箱方法和無(wú)監(jiān)督的分箱方法。

有監(jiān)督的分箱方法：

• 假設(shè)因變量為分類(lèi)變量，可取值1，…，J。令pl（j）表示第l個(gè)分箱內(nèi)因變量取值為j的觀測(cè)的比例，l=1，…，k，j=1，…，J；那么第l個(gè)分箱的熵值為Jj=1［-pl（j）×log（pl（j））］。如果第l個(gè)分箱內(nèi)因變量各類(lèi)別的比例相等，即pl（1）=…=pl（J）=1/J，那么第l個(gè)分箱的熵值達(dá)到最大值；如果第l個(gè)分箱內(nèi)因變量只有一種取值，即某個(gè)pl（j）等于1而其他類(lèi)別的比例等于0，那么第l個(gè)分箱的熵值達(dá)到最小值。
• 令rl表示第l個(gè)分箱的觀測(cè)數(shù)占所有觀測(cè)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(dá)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(lèi)別。

無(wú)監(jiān)督的分箱方法：

假設(shè)要將某個(gè)自變量的觀測(cè)值分為k個(gè)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(gè)等寬的區(qū)間，每個(gè)區(qū)間當(dāng)作一個(gè)分箱。

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

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