等距分箱：每个箱的区间大小是相等的，每个箱内的数据量不一定相等。边界值：xmin+n*(Xmax-xmin)/10
等频分箱：分箱之后，每个箱内的数据量相等。
决策树分箱：单变量用树模型拟合目标变量，例如直接使用sklearn提供的决策树（是用cart决策树实现的），然后将内部节点的阈值作为分箱的切点。
Best-ks分箱：计算方式跟模型KS一样，只是这里的分箱不是模型评分，而是特征的分箱。具体的步骤如下：
a)将特征取值按从小到大排序，每一个值作为一个分箱
b)计算每一个分箱的KS值
c)找到最大KS值对应的分箱，即特征值，以该特征值作为划分依据将数据划分成左右两份数据SET1和SET2（低于该特征值以及高于该特征值）
d)按照第三步递归划分左右两个数据集，直到满足终止条件（一般以KS值低于某个阈值或分箱数达到预设的值）
举例：
编辑切换为居中
添加图片注释，不超过 140 字（可选）
注：bad占比=累计坏人数/sum(红框内)
good占比=累计好人数/sum(蓝框内)
ks=abs(good占比-bad占比)
卡方分箱：卡方分箱是依赖于卡方检验的分箱方法，在统计指标上选择卡方统计量（chi-Square）进行判别，分箱的基本思想是判断相邻的两个区间是否有分布差异，基于卡方统计量的结果进行自下而上的合并，直到满足分箱的限制条件为止。如果两个相邻的区间具有非常类似的分布，那么这两个区间可以合并，否则，他们应该分开。低卡方表明他们具有相似的类分布。
具体的步骤如下：
a)预先设定一个卡方的阈值
b)特征进行排序，每个取值属于一个区间
c)合并区间：计算每一对相邻区间的卡方值，将卡防止最小的一对区间合并。
举例：
编辑切换为居中
添加图片注释，不超过 140 字（可选）
【表2-卡方分箱案例】
注：
