python自動分箱,計算woe,iv的例項程式碼
筆者之前用R開發評分卡時,需要進行分箱計算woe及iv值,採用的R包是smbinning,它可以自動進行分箱。近期換用python開發, 也想實現自動分箱功能,找到了一個woe包,地址https://pypi.org/project/woe/,可以直接 pip install woe安裝。
由於此woe包官網介紹及給的例子不是很好理解,關於每個函式的使用也沒有很詳細的說明,經過一番仔細探究後以此文記錄一下該woe包的使用及其計算原理。
例子
官方給的例子不是很好理解,以下是我寫的一個使用示例。以此例來說明各主要函式的使用方法。計算woe的各相關函式主要在feature_process.py中定義。
import woe.feature_process as fp import woe.eval as eval #%% woe分箱,iv and transform data_woe = data #用於儲存所有資料的woe值 civ_list = [] n_positive = sum(data['target']) n_negtive = len(data) - n_positive for column in list(data.columns[1:]): if data[column].dtypes == 'object': civ = fp.proc_woe_discrete(data,column,n_positive,n_negtive,0.05*len(data),alpha=0.05) else: civ = fp.proc_woe_continuous(data,alpha=0.05) civ_list.append(civ) data_woe[column] = fp.woe_trans(data[column],civ) civ_df = eval.eval_feature_detail(civ_list,'output_feature_detail_0315.csv') #刪除iv值過小的變數 iv_thre = 0.001 iv = civ_df[['var_name','iv']].drop_duplicates() x_columns = iv.var_name[iv.iv > iv_thre]
計算分箱,woe,iv
核心函式主要是freature_process.proc_woe_discrete()與freature_process.proc_woe_continuous(),分別用於計算連續變數與離散變數的woe。它們的輸入形式相同:
proc_woe_discrete(df,var,global_bt,global_gt,min_sample,alpha=0.01) proc_woe_continuous(df,alpha=0.01)
輸入:
df: DataFrame,要計算woe的資料,必須包含'target'變數,且變數取值為{0,1}
var:要計算woe的變數名
global_bt:全域性變數bad total。df的正樣本數量
global_gt:全域性變數good total。df的負樣本數量
min_sample:指定每個bin中最小樣本量,一般設為樣本總量的5%。
alpha:用於自動計算分箱時的一個標準,預設0.01.如果iv_劃分>iv_不劃分*(1+alpha)則劃分。
輸出:一個自定義的InfoValue類的object,包含了分箱的一切結果資訊。
該類定義見以下一段程式碼。
class InfoValue(object): ''' InfoValue Class ''' def __init__(self): self.var_name = [] self.split_list = [] self.iv = 0 self.woe_list = [] self.iv_list = [] self.is_discrete = 0 self.sub_total_sample_num = [] self.positive_sample_num = [] self.negative_sample_num = [] self.sub_total_num_percentage = [] self.positive_rate_in_sub_total = [] self.negative_rate_in_sub_total = [] def init(self,civ): self.var_name = civ.var_name self.split_list = civ.split_list self.iv = civ.iv self.woe_list = civ.woe_list self.iv_list = civ.iv_list self.is_discrete = civ.is_discrete self.sub_total_sample_num = civ.sub_total_sample_num self.positive_sample_num = civ.positive_sample_num self.negative_sample_num = civ.negative_sample_num self.sub_total_num_percentage = civ.sub_total_num_percentage self.positive_rate_in_sub_total = civ.positive_rate_in_sub_total self.negative_rate_in_sub_total = civ.negative_rate_in_sub_total
列印分箱結果
eval.eval_feature_detail(Info_Value_list,out_path=False)
輸入:
Info_Value_list:儲存各變數分箱結果(proc_woe_continuous/discrete的返回值)的List.
out_path:指定的分箱結果儲存路徑,輸出為csv檔案
輸出:
各變數分箱結果的DataFrame。各列分別包含如下資訊:
var_name | 變數名 |
split_list | 劃分區間 |
sub_total_sample_num | 該區間總樣本數 |
positive_sample_num | 該區間正樣本數 |
negative_sample_num | 該區間負樣本數 |
sub_total_num_percentage | 該區間總佔比 |
positive_rate_in_sub_total | 該區間正樣本佔總正樣本比例 |
woe_list | woe |
iv_list | 該區間iv |
iv |
該變數iv(各區間iv之和) |
輸出結果一個示例(擷取部分):
woe轉換
得到分箱及woe,iv結果後,對原資料進行woe轉換,主要用以下函式
woe_trans(dvar,civ): replace the var value with the given woe value
輸入:
dvar: 要轉換的變數,Series
civ: proc_woe_discrete或proc_woe_discrete輸出的分箱woe結果,自定義的InfoValue類
輸出:
var: woe轉換後的變數,Series
分箱原理
該包中對變數進行分箱的原理類似於二叉決策樹,只是決定如何劃分的目標函式是iv值。
1)連續變數分箱
首先簡要描述分箱主要思想:
1.初始化資料集D =D0為全量資料。轉步驟2
2.對於D,將資料按從小到大排序並按數量等分為10份,記錄各劃分點。計算不進行仍何劃分時的iv0,轉步驟3.
3.遍歷各劃分點,計算利用各點進行二分時的iv。
如果最大iv>iv0*(1+alpha)(使用者給定,預設0.01): 則進行劃分,且最大iv對應的即確定為此次劃分點。它將D劃分為左右兩個結點,資料集分別為DL,DR.轉步驟4.
否則:停止。
4.分別令D=DL,D=DR,重複步驟2.
為了便於理解,上面簡化了一些條件。實際劃分時還設計到一些限制條件,如不滿足會進行區間合併。
主要限制條件有以下2個:
a.每個bin的數量佔比>min_sample(使用者給定)
b.每個bin的target取值個數>1,即每個bin必須同時包含正負樣本。
2)連續變數分箱
對於離散變數分箱後續補充 to be continued...
以上這篇python自動分箱,計算woe,iv的例項程式碼就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支援我們。