一、问题描述：

在实际建模问题中，衍生加工许多特征变数之后，一般而言，首先需要对衍生变数的预测能力做一个快速、初步的评估。针对二分类问题，如信贷风险模型的好坏客户预测与评分，我们一般用IV值（Information Value）来衡量特征变数的预测能力，然后再筛选出IV值高于某个阈值的一篮子特征来进行下一步的建模工作。

为了计算某个变数的IV，首先需要对其进行分箱。如果强制变数分箱的WOE单调性，这样可能就会低估某些非线性变数的IV值，如U型变数。因此，为了尽可能使得IV值计算最大，同时尽可能保证分箱的单调性（让预测变数对目标变数有更好的解释性），我们利用决策树的信息增益最大化思想来实现变数的最优分箱。

注：本文主要讨论最优分箱与IV值计算的实现过程，对EDA分析、异常值处理等方面不做详细探讨。

二、实现思路：

  1. 利用sklearn决策树，DecisionTreeClassifier的.tree_属性获得决策树的节点划分值；
  2. 基于上述得到的划分值，利用pandas.cut函数对变数进行分箱；
  3. 计算各个分箱的WOE、IV值。

三、数据说明：

测试数据是kaggle案例的训练数据 - Give Me Some Credit；

Give Me Some Credit?

www.kaggle.com

该案例数据总共有150000条样本，11个变数，其中1个目标变数，10个特征变数；

其中，目标变数为SeriousDlqin2yrs：表示未来是否为逾期90天+，1表示逾期90天+，即通常意义上的坏客户，0则表示没有逾期90天+的好客户。

四、代码部分：

0. import相关模块：

from sklearn.tree import DecisionTreeClassifier
import pandas as pd
import numpy as np

  1. 读入数据：

data = pd.read_csv(cs-training.csv)
print(data.shape)
data.head()

部分数据展示

2. 获得最优分箱边界值函数的实现：

def optimal_binning_boundary(x: pd.Series, y: pd.Series, nan: float = -999.) -> list:

 利用决策树获得最优分箱的边界值列表
boundary = [] # 待return的分箱边界值列表

x = x.fillna(nan).values # 填充缺失值
y = y.values

clf = DecisionTreeClassifier(criterion=entropy, #「信息熵」最小化准则划分
max_leaf_nodes=6, # 最大叶子节点数
min_samples_leaf=0.05) # 叶子节点样本数量最小占比

clf.fit(x.reshape(-1, 1), y) # 训练决策树

n_nodes = clf.tree_.node_count
children_left = clf.tree_.children_left
children_right = clf.tree_.children_right
threshold = clf.tree_.threshold

for i in range(n_nodes):
if children_left[i] != children_right[i]: # 获得决策树节点上的划分边界值
boundary.append(threshold[i])

boundary.sort()

min_x = x.min()
max_x = x.max() + 0.1 # +0.1是为了考虑后续groupby操作时，能包含特征最大值的样本
boundary = [min_x] + boundary + [max_x]

return boundary

测试optimal_binning_boundary函数：

optimal_binning_boundary(x=data[RevolvingUtilizationOfUnsecuredLines],
y=data[SeriousDlqin2yrs])

输出：

[0.0,
0.11458224803209305,
0.21776090562343597,
0.49497613310813904,
0.6981423199176788,
0.8596274554729462,
50708.1]

3. 获得某个变数各个分箱的WOE、IV值函数的实现：

def feature_woe_iv(x: pd.Series, y: pd.Series, nan: float = -999.) -> pd.DataFrame:

 计算变数各个分箱的WOE、IV值，返回一个DataFrame
x = x.fillna(nan)
boundary = optimal_binning_boundary(x, y, nan) # 获得最优分箱边界值列表
df = pd.concat([x, y], axis=1) # 合并x、y为一个DataFrame，方便后续计算
df.columns = [x, y] # 特征变数、目标变数栏位的重命名
df[bins] = pd.cut(x=x, bins=boundary, right=False) # 获得每个x值所在的分箱区间

grouped = df.groupby(bins)[y] # 统计各分箱区间的好、坏、总客户数量
result_df = grouped.agg([(good, lambda y: (y == 0).sum()),
(bad, lambda y: (y == 1).sum()),
(total, count)])

result_df[good_pct] = result_df[good] / result_df[good].sum() # 好客户占比
result_df[bad_pct] = result_df[bad] / result_df[bad].sum() # 坏客户占比
result_df[total_pct] = result_df[total] / result_df[total].sum() # 总客户占比

result_df[bad_rate] = result_df[bad] / result_df[total] # 坏比率

result_df[woe] = np.log(result_df[good_pct] / result_df[bad_pct]) # WOE
result_df[iv] = (result_df[good_pct] - result_df[bad_pct]) * result_df[woe] # IV

print(f"该变数IV = {result_df[iv].sum()}")

return result_df

测试feature_woe_iv函数：

feature_woe_iv(x=data[RevolvingUtilizationOfUnsecuredLines],
y=data[SeriousDlqin2yrs])

输出：

上述结果可以复制到Excel中做数据条上色处理，提升可视化效果：

如上图所示，变数RevolvingUtilizationOfUnsecuredLines，分箱WOE趋势单调，bad_rate风险排序性较好，IV值>1.0则说明该变数预测能力很强。


推荐阅读：
相关文章