通过分箱组件可以进行特征离散化，即将连续的数据进行分段，使其变为多个离散化区间。分箱组件支持等频分箱、等宽分箱及自动分箱。

配置组件

您可以使用以下任意一种方式，配置分箱组件参数。

方式一：可视化方式

在PAI-Designer（原PAI-Studio）工作流页面配置组件参数。
页签 参数 描述
字段设置 特征列 支持STRING、BIGINT及DOUBLE类型。
标签列 仅支持二分类。
正例值 仅当标签列存在时才生效。
选择分箱的参数来源 参数来源支持“参数设置”中的参数和手动分箱或自定义Json。
是否保留没有在“特征列”中选择的字段 使用自定义分箱时，如果该参数选择是，则未在特征列中选择的字段会原样保留，否则会删除未选择的字段。
上传分箱和约束Json 当选择分箱的参数来源取值为手动分箱或自定义Json时，该参数生效。
参数设置 分箱个数 配置为10，表示将连续特征离散化至10个区间中。
自定义列分箱个数

可以指定单个或多个字段的分箱数，会覆写总的分箱个数。如果自定义的列不在字段选择中，则多出的列也会进行计算。例如，字段选择为col0和col1， 自定义分箱为col0:3,col2:5，当分箱个数为10时，那么按照col0:3,col1:10,col2:5进行计算。

取值格式为：字段名1:分箱个数, 字段名2:分箱个数。

自定义离散值个数阈值 格式为col0:3。
区间选择 支持左开右闭或左闭右开区间。
分箱方式 支持等频、等宽及自动分箱。
离散值个数阈值 如果小于该值，则分到“其它”分箱。
执行调优 核心数 默认系统自动分配。
每个核分配的内存数 默认系统自动分配。

方式二：PAI命令方式

使用PAI命令方式，配置该组件参数。您可以使用SQL脚本组件进行PAI命令调用，详情请参见SQL脚本。
PAI -name binning
    -project algo_public
    -DinputTableName=input
    -DoutputTableName=output
参数 描述 是否必选 默认值
inputTableName 输入表的名称。 是 无
outputTableName 输出表的名称。 是 无
selectedColNames 输入表选择分箱的列。 否 除Label外的其他列，如果无Label，则选择全部。
labelColName Label所在的列。 否 无
validTableName 表示binningMethod为auto时输入的验证表名。在auto模式下，该参数为必选。 否 空
validTablePartitions 验证表选择的分区。 否 全表
inputTablePartitions 输入表选择的分区。 否 全表
inputBinTableName 输入的分箱表。 否 无
selectedBinColNames 分箱表选择的列。 否 空
positiveLabel 输出正样本的分类。 否 1
nDivide 分箱的个数，取值为正整数。 否 10
colsNDivide 自定义列的分箱个数，例如col0:3,col2:5。如果colsNDivide中选中的列不在selectedColNames中，则多出的列也会进行计算。例如，selectedColNames为col0,col1，colsNDivide为col0:3,col2:5，nDivide为10时，则按照col0:3,col1:10,col2:5进行计算。 否 空
isLeftOpen 选择区间为左开右闭或左闭右开，取值包括为：
  • {true}：左开右闭。
  • {false}：左闭右开。
否 true
stringThreshold 离散值为其他分箱的阈值。 否 无
colsStringThreshold 自定义列的阈值，同colsNDivide。 否 空
binningMethod 分箱类型，取值包括：
  • quantile：等频分箱。
  • bucket：等宽分箱。
  • auto：当在quantile模式时，自动选择单调性的分箱。
否 quantile
lifecycle 输出表的生命周期，取值为正整数。 否 无
coreNum 核心数，取值为正整数。 否 系统自动计算
memSizePerCore 内存数，取值为正整数。 否 系统自动计算
分箱约束功能需要与评分卡训练组件配合使用。在评分卡训练过程中通过分箱进行特征工程，将特征离散化生成Dummy变量，并对训练过程中的每个Dummy变量的权重增加一定约束。各个约束项的含义如下：
  • 顺序升序约束：该特征的各个Dummy变量按照Index从小到大添加权重上升的约束，即Index越大，权重越大。
  • 顺序降序约束：该特征的各个Dummy变量按照Index从小到大添加权重下降的约束，即Index越大，权重越小。
  • 相等权重值：该特征两个Dummy变量的权重值相等的约束。
  • 权重值为0：该特征某个Dummy变量的权重值为0的约束。
  • 等于固定权重值：该特征某个Dummy变量的权重值等于固定浮点数值的约束。
  • WOE值顺序约束：该特征各个Dummy变量按照WOE值从小到大添加权重上升的约束，即WOE值越大，权重值越大。

结果演示

  1. 使用分箱组件的工作流运行结束后，右键单击画布中的分箱组件，在快捷菜单，单击我要分箱。
  2. 在变量列表页面，您可以查看每个变量的分箱数、类型、IV等信息，具体如下图所示。分箱变量
  3. 单击变量的名称（以f1为例），可以打开f1-分箱详情页面，该页面详情如下图所示。
    您可以在该页面对分箱进行合并、拆分，也可以对分箱增加约束。
    说明 约束仅对后续的评分卡训练模块有效，如果仅使用分箱，不使用评分卡训练，则可以忽略约束项。
    分箱详情